تحويل تقييم قواعد البيانات إلى مكافآت للتعلم المعزز: التدريب اللاحق للوكلاء مع ThinkingBox
تصف مايكروسوفت وHugging Face أسلوب ThinkingBox-Training الذي يستخدم الفحص الآلي للحالة النهائية لقاعدة بيانات الوكيل كمكافآت للتعلم المعزز. وبعد 50 خطوة GRPO على Qwen3.8-27B ارتفع متوسط النجاح من 51.70% إلى 60.78%.
ما يقوله المقال
هذه التدوينة المشتركة بين Microsoft وHugging Face، المنشورة في 22 أكتوبر 2026، تتابع تدوينة سابقة عن ThinkingBox. وتقدم ThinkingBox-Training، وهو إعداد للتعلم المعزز يعيد استخدام فحوص المعيار القابلة للتنفيذ كمكافآت. يضم ThinkingBox-Bench 507 مهام؛ وتقارن كل مهمة الحالة النهائية لقاعدة بيانات الوكيل بالنتيجة المتوقعة، ويعيد الفحص 1 أو 0.
تُختار مهام التدريب من خارج المعيار وفق صعوبة نسبية للسياسة مقدّرة دون اتصال باستخدام توزيع بيتا لاحق وفق Jeffreys، وتبقى المجموعة ثابتة. وفي التجربة المرجعية يُضبط Qwen3.8-27B بخوارزمية GRPO على مدى 50 خطوة على 187 مهمة باستخدام 24 وحدة H100. ارتفع متوسط pass@1 من 51.70% إلى 60.78%، وارتفع عدد المهام الناجحة في جميع المحاولات العشرين من 38 إلى 107. وانخفضت التكلفة المقدّرة للمهمة الموثوقة من 24.36 إلى 8.00 دولارات، وهو مؤشر مقارن لا فاتورة فعلية. نُشر الشيفرة، وينبّه المؤلفون إلى أن سير العمل اصطناعي وأن أقلية من الفحوص تستخدم قاضياً من نموذج لغوي.
اقرأ المقال الرسمي بطاقة AnnuIA
ملخص كتبته AnnuIA بكلماتها الخاصة اعتمادًا على الصفحة الرسمية لـ Hugging Face. المحتوى والحقوق تعود إلى الناشر، يُرجى قراءة المقال الأصلي.