Hugging Face Blog·· 2 小时前精选AI 评分70
微软与Hugging Face联合发布ThinkingBox训练框架：用数据库状态作为奖励信号提升智能体可靠性
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与Hugging Face联合发布ThinkingBox训练框架，通过将数据库终端状态的可执行检查结果作为奖励信号，用于智能体的后训练。该方法在Qwen3.8-27B模型上进行50步GRPO训练后，Observed 20/20指标从38提升至107，平均成功率从51.70%提升至60.78%。
推荐理由
原文给出了可复用的训练框架和数据筛选方法，读者可以据此理解如何用数据库状态作为奖励信号提升智能体的可重复性。
来源：Hugging Face Blog · huggingface.co