Hugging Face Blog·· 24 天前精选AI 评分62
微软与 Hugging Face 用 ThinkingBox 数据库终态校验做 RL 奖励，Qwen3.8-27B 全对任务从 38 增至 107
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 1/0 可执行校验直接当作 RL 奖励。
借鉴点
可复用离线策略相对难度筛选，用 Beta 后验把任务分五档，只留 0.08 到 0.90 区间做 GRPO，代价是每个候选任务要先跑 n 次探测，且训练与评测的解析器必须对齐。
来源：Hugging Face Blog · huggingface.co