डेटाबेस ग्रेडिंग को RL पुरस्कार में बदलना: ThinkingBox से एजेंटों का पोस्ट-ट्रेनिंग
Microsoft और Hugging Face ThinkingBox-Training का वर्णन करते हैं, जो एजेंट की अंतिम डेटाबेस स्थिति की स्वचालित जाँच को रीइंफ़ोर्समेंट लर्निंग पुरस्कार के रूप में इस्तेमाल करता है। Qwen3.8-27B पर 50 GRPO चरणों के बाद औसत सफलता 51.70% से बढ़कर 60.78% हो गई।
लेख में क्या कहा गया है
Microsoft और Hugging Face का यह संयुक्त लेख, 22 अक्टूबर 2026 को प्रकाशित, ThinkingBox पर पिछले लेख का अगला भाग है। इसमें ThinkingBox-Training प्रस्तुत है, जो बेंचमार्क की निष्पादन-योग्य जाँचों को रिवॉर्ड के रूप में इस्तेमाल करने वाला रीइन्फोर्समेंट लर्निंग सेटअप है। ThinkingBox-Bench में 507 कार्य हैं; हर कार्य एजेंट की अंतिम डेटाबेस स्थिति की अपेक्षित परिणाम से तुलना करता है और जाँच 1 या 0 लौटाती है।
बेंचमार्क के बाहर के प्रशिक्षण कार्य Jeffreys Beta पोस्टीरियर से ऑफ़लाइन आँकी गई नीति-सापेक्ष कठिनाई के आधार पर चुने जाते हैं और पूल स्थिर रहता है। संदर्भ प्रयोग में Qwen3.8-27B को GRPO से 50 चरणों तक, 187 कार्यों पर, 24 H100 GPU के साथ फ़ाइन-ट्यून किया गया। औसत pass@1 51.70% से 60.78% हुआ और सभी 20 प्रयासों में सफल कार्य 38 से 107 हुए। भरोसेमंद कार्य की अनुमानित लागत 24.36 डॉलर से 8.00 डॉलर हुई, जो तुलनात्मक सूचकांक है, वास्तविक बिल नहीं। कोड जारी है; लेखक बताते हैं कि वर्कफ़्लो कृत्रिम हैं और कुछ जाँचों में LLM जज इस्तेमाल होता है।
आधिकारिक लेख पढ़ें AnnuIA प्रोफ़ाइल
यह सारांश AnnuIA ने Hugging Face के आधिकारिक पृष्ठ के आधार पर अपने शब्दों में लिखा है। सामग्री और अधिकार प्रकाशक के हैं: कृपया मूल लेख पढ़ें।