ThinkingBox训练栈开源并发布强化学习结果

微软与Hugging Face开源ThinkingBox-Training数据选择、rollout、奖励及Verl集成训练栈，并将数据库终态检查转化为强化学习奖励；经50步GRPO后训练Qwen3.8-27B，在未用于强化学习的ThinkingBox-Bench中，20次全部成功的任务数由38增至107，pass@1从51.70%升至60.78%，pass@20则略有下降。 该基准的数据库、策略和多数工具未出现在强化学习训练池中。公开仓库提供的是用于体验接口的示例任务，并非此次实验使用的187项私有训练池；运行还需兼容CUDA/NCCL的英伟达GPU、本地Qwen3.8-27B检查点，以及用于模拟用户和评判的OpenAI兼容接口。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。