Hugging Face Blog·· 7 天前精选AI 评分65
微软与 Hugging Face 将数据库校验转为 RL 奖励，用 ThinkingBox 后训练智能体
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 对数据库终态的可执行校验直接当作奖励，对 Qwen3.8-27B 做 50 步 GRPO 全参数微调。
推荐理由
微软与 Hugging Face 把数据库终态校验改造成 GRPO 奖励，并公开了任务筛选与训练代码，可供做智能体后训练时参考。
来源：Hugging Face Blog · huggingface.co