Hugging Face Blog·· 1 天前AI 评分49
微软与 Hugging Face 用 ThinkingBox 将数据库评分转为 RL 奖励，用于智能体后训练
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与 Hugging Face 用 ThinkingBox 将数据库最终状态检查转为 RL 奖励，后训练 Qwen3.8-27B。50 步 GRPO 后 pass@1 从 51.70% 升至 60.78%，20 次全对任务从 38 增至 107。ThinkingBox-Training 已上线 GitHub。
来源：Hugging Face Blog · huggingface.co