Convertir la evaluación de bases de datos en recompensas de RL: posentrenar agentes con ThinkingBox
Microsoft y Hugging Face describen ThinkingBox-Training, que usa comprobaciones automáticas del estado final de una base de datos como recompensas de aprendizaje por refuerzo. Tras 50 pasos de GRPO en Qwen3.8-27B, el éxito medio subió del 51,70 % al 60,78 %.
Qué dice el artículo
Esta entrada conjunta de Microsoft y Hugging Face, publicada el 22 de octubre de 2026, continúa un texto anterior sobre ThinkingBox. Presenta ThinkingBox-Training, una configuración de aprendizaje por refuerzo que reutiliza como recompensas las comprobaciones ejecutables del benchmark. ThinkingBox-Bench tiene 507 tareas; cada una compara el estado final de la base de datos del agente con el resultado esperado y la comprobación devuelve 1 o 0.
Las tareas de entrenamiento, ajenas al benchmark, se eligen por dificultad relativa a la política estimada sin conexión mediante una posterior Beta de Jeffreys, y el conjunto permanece fijo. La prueba de referencia ajusta Qwen3.8-27B con GRPO durante 50 pasos sobre 187 tareas con 24 GPU H100. El pass@1 medio sube del 51,70 % al 60,78 % y las tareas superadas en los 20 intentos pasan de 38 a 107. El coste estimado por tarea fiable baja de 24,36 $ a 8,00 $, un índice comparativo y no una facturación real. Se publica el código; los autores señalan que los flujos son sintéticos y que una minoría de comprobaciones usa un juez LLM.
Leer el artículo oficial Ficha AnnuIA
Resumen redactado por AnnuIA con sus propias palabras a partir de la página oficial de Hugging Face. El contenido y los derechos pertenecen al editor: consulte el artículo original.