Hugging Face Blog·· 3 小时前精选AI 评分70
ThinkingBox-Training 开源数据库终态 RL 奖励流程，Qwen3.8-27B 的 20/20 任务数从 38 增至 107
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
ThinkingBox-Training 用数据库终态检查生成 RL 奖励，让 Qwen3.8-27B 的 20 次全通过任务从 38 个增至 107 个。这项由 Microsoft 与 Hugging Face 联合发布的工作经过 50 步 GRPO 微调，pass@1 从 51.70% 升至 60.78%，但 pass@20 从 89.35% 降至 87.97%。
推荐理由
把数据库终态校验复用为 RL 奖励，配合固定训练池与重复评测，量化智能体后训练中可靠性与覆盖率的权衡。
来源：Hugging Face Blog · huggingface.co