Transformando a avaliação de bancos de dados em recompensas de RL: pós-treinando agentes com o ThinkingBox
Microsoft e Hugging Face descrevem o ThinkingBox-Training, que usa verificações automáticas do estado final do banco de dados de um agente como recompensas de aprendizado por reforço. Após 50 passos de GRPO no Qwen3.8-27B, o sucesso médio subiu de 51,70% para 60,78%.
O que diz o artigo
Este artigo conjunto da Microsoft e da Hugging Face, publicado a 22 de outubro de 2026, dá seguimento a um texto anterior sobre o ThinkingBox. Apresenta o ThinkingBox-Training, uma configuração de aprendizagem por reforço que reutiliza como recompensas as verificações executáveis do benchmark. O ThinkingBox-Bench tem 507 tarefas; cada uma compara o estado final da base de dados do agente com o resultado esperado e a verificação devolve 1 ou 0.
As tarefas de treino, exteriores ao benchmark, são escolhidas por dificuldade relativa à política estimada offline com uma posterior Beta de Jeffreys, e o conjunto mantém-se fixo. A execução de referência ajusta o Qwen3.8-27B com GRPO durante 50 passos em 187 tarefas com 24 GPU H100. O pass@1 médio sobe de 51,70 % para 60,78 % e as tarefas passadas nas 20 tentativas de 38 para 107. O custo estimado por tarefa fiável desce de 24,36 $ para 8,00 $, um índice comparativo e não faturação real. O código foi publicado; os autores notam que os fluxos são sintéticos e que uma minoria das verificações usa um juiz LLM.
Ler o artigo oficial Ficha AnnuIA
Resumo escrito pela AnnuIA com suas próprias palavras, com base na página oficial de Hugging Face. O conteúdo e os direitos pertencem ao editor: consulte o artigo original.