Hugging Face Blog·· 2 小时前精选AI 评分70
Microsoft与Hugging Face将ThinkingBox数据库评分转化为RL奖励
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
Microsoft与Hugging Face将数据库终态检查转为强化学习奖励，并用GRPO后训练Qwen3.8-27B，使ThinkingBox-Bench中20次全部成功的任务数从38增至107。经50步GRPO后，pass@1由51.70%升至60.78%，pass@20略降；数据选择、rollout、奖励与Verl集成已发布至microsoft/thinkingbox-training仓库。
推荐理由
公开了从数据库终态检查构造奖励、筛选训练任务到GRPO后训练与评测的完整流程，并披露可复现实验配置，适合智能体研发团队评估可靠性训练方案。
来源：Hugging Face Blog · huggingface.co