Transformer la notation de bases de données en récompenses RL : post-entraîner des agents avec ThinkingBox
Microsoft et Hugging Face décrivent ThinkingBox-Training, qui utilise la vérification automatique de l'état final d'une base de données comme récompense d'apprentissage par renforcement. Après 50 pas de GRPO sur Qwen3.8-27B, le taux de réussite moyen passe de 51,70 % à 60,78 %.
Ce que dit l'article
Cet article conjoint de Microsoft et Hugging Face, publié le 22 octobre 2026, prolonge un précédent billet sur ThinkingBox. Il présente ThinkingBox-Training, une configuration d'apprentissage par renforcement qui réutilise comme récompenses les vérifications exécutables du benchmark. ThinkingBox-Bench compte 507 tâches ; chacune compare l'état final de la base de données de l'agent au résultat attendu, la vérification renvoyant 1 ou 0.
Les tâches d'entraînement, extérieures au benchmark, sont choisies selon une difficulté relative à la politique estimée hors ligne, par un a posteriori Beta de Jeffreys, et le lot reste fixe. L'essai de référence affine Qwen3.8-27B avec GRPO pendant 50 étapes sur 187 tâches, sur 24 GPU H100. Le pass@1 moyen passe de 51,70 % à 60,78 % et les tâches réussies sur les 20 essais de 38 à 107. Le coût estimé par tâche fiable passe de 24,36 $ à 8,00 $, indice comparatif et non facturation réelle. Le code est publié ; les auteurs notent que les workflows sont synthétiques et qu'une minorité de vérifications utilise un juge LLM.
Lire l'article officiel Fiche AnnuIA
Résumé rédigé par AnnuIA avec ses propres mots, d'après la page officielle de Hugging Face. Le contenu et les droits appartiennent à l'éditeur : consultez l'article d'origine.