Hugging Face Blog· 机构原始发布·· 3 天前精选
微软与Hugging Face合作推出ThinkingBox-Training：将数据库评分转化为强化学习奖励
原文标题
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，通过将数据库终端状态的执行检查转化为奖励信号，对Qwen3.8-27B模型进行50步GRPO微调。结果显示，模型在ThinkingBox-Bench基准测试中的平均成功率从51.70%提升至60.78%，20次尝试全部成功的任务数量从38个增加到107个。该训练方法使用离线策略相对难度选择训练任务，显著提高了代理的可靠性和重复成功率。
来源：Hugging Face Blog · huggingface.co
导读与选稿说明
提供了一种将数据库状态检查转化为强化学习奖励的新方法，显著提升了代理在业务工作流中的可靠性和重复成功率，适用于需要高可靠性的数据库操作场景。
导读由模型辅助整理，非独立核验。完整信息见原文。