Hugging Face Blog·· 1 天前精选AI 评分60
微软与 Hugging Face 开源 ThinkingBox-Training，用数据库终态校验作为 RL 奖励训练 Agent
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与 Hugging Face 开源 ThinkingBox-Training，把 ThinkingBox 对数据库终态的确定性校验直接当作 GRPO 奖励，用于训练状态型 Agent。
推荐理由
微软与 Hugging Face 联合开源了把数据库终态校验当作 RL 奖励的训练栈，并给出 Qwen3.8-27B 的可复现对比数据。
来源：Hugging Face Blog · huggingface.co