Hugging Face Blog·· 3 小时前精选AI 评分60
微软与 Hugging Face 用 ThinkingBox 把数据库校验变成 RL 奖励，Qwen3.8-27B 稳定通过任务从 38 增至 107
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与 Hugging Face 发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的确定性校验直接当作强化学习奖励，用于智能体后训练。
推荐理由
微软与 Hugging Face 把数据库终态校验直接当作 RL 奖励，并公开了任务筛选与训练栈，读者可据此复现同类智能体后训练流程。
来源：Hugging Face Blog · huggingface.co