微软与Hugging Face以数据库终态检查为奖励训练Agent

微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的可执行检查当作 GRPO 奖励，对 Qwen3.8-27B 做 50 步全参数微调。在 507 个任务的 ThinkingBox-Bench 上，20 次全部通过的任务从 38 个增至 107 个，pass@1 从 51.70% 升至 60.78%。 训练栈已在 GitHub 开源，但公开的示例任务列表只用于演示接口，并非报告所用 187 个任务的私有训练池；使用者需自备与公开基准不重叠的授权训练数据。已验证的参考配置为 3 节点×8 张 H100 GPU，更小配置能否运行取决于模型规模、上下文长度和 rollout 并发。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。