Datenbankbewertung als RL-Belohnung: Agenten mit ThinkingBox nachtrainieren
Microsoft und Hugging Face beschreiben ThinkingBox-Training, das automatische Prüfungen des Datenbank-Endzustands eines Agenten als Belohnungen für Reinforcement Learning nutzt. Nach 50 GRPO-Schritten an Qwen3.8-27B stieg die durchschnittliche Erfolgsquote von 51,70 % auf 60,78 %.
Worum es im Artikel geht
Dieser gemeinsame Beitrag von Microsoft und Hugging Face, veröffentlicht am 22. Oktober 2026, knüpft an einen früheren ThinkingBox-Beitrag an. Er stellt ThinkingBox-Training vor, ein Reinforcement-Learning-Setup, das die ausführbaren Prüfungen des Benchmarks als Belohnungen wiederverwendet. ThinkingBox-Bench umfasst 507 Aufgaben; jede vergleicht den finalen Datenbankzustand des Agenten mit dem erwarteten Ergebnis, die Prüfung liefert 1 oder 0.
Trainingsaufgaben außerhalb des Benchmarks werden nach offline geschätzter policy-relativer Schwierigkeit mit einer Jeffreys-Beta-Posterior ausgewählt, der Pool bleibt fest. Der Referenzlauf feintunt Qwen3.8-27B mit GRPO über 50 Schritte auf 187 Aufgaben mit 24 H100-GPUs. Das mittlere pass@1 steigt von 51,70 % auf 60,78 %, die in allen 20 Versuchen bestandenen Aufgaben von 38 auf 107. Die geschätzten Kosten pro verlässlicher Aufgabe sinken von 24,36 $ auf 8,00 $, ein Vergleichsindex und keine echte Abrechnung. Der Code ist veröffentlicht; die Autoren weisen darauf hin, dass die Workflows synthetisch sind und eine Minderheit der Prüfungen einen LLM-Richter nutzt.
Offiziellen Artikel lesen AnnuIA-Profil
Zusammenfassung von AnnuIA in eigenen Worten nach der offiziellen Seite von Hugging Face. Inhalt und Rechte liegen beim Herausgeber: bitte den Originalartikel lesen.