将数据库评分转化为强化学习奖励：用ThinkingBox对智能体进行后训练
微软和Hugging Face介绍了ThinkingBox-Training，它把对智能体最终数据库状态的自动检查用作强化学习奖励。对Qwen3.8-27B进行50步GRPO后，平均成功率从51.70%升至60.78%。
文章要点
这篇由 Microsoft 与 Hugging Face 联合撰写、发布于2026年10月22日的文章，是此前 ThinkingBox 文章的后续。它介绍了 ThinkingBox-Training，一种把基准的可执行检查用作奖励的强化学习方案。ThinkingBox-Bench 包含507个任务，每个任务将智能体最终的数据库状态与预期结果比较，检查返回1或0。
基准之外的训练任务依据离线估计的相对策略难度选取，难度用 Jeffreys Beta 后验估计，任务池在训练中保持固定。参考实验用 GRPO 对 Qwen3.8-27B 微调50步，使用187个任务和24块 H100 GPU。平均 pass@1 从51.70%升至60.78%，20次尝试全部通过的任务从38个增至107个。每个可靠任务的估算成本从24.36美元降至8.00美元，这是比较指数而非实际账单。代码已公开；作者指出工作流是合成的，少数检查使用 LLM 评判。
本摘要由 AnnuIA 根据 Hugging Face 官方页面用自己的话撰写。内容及版权归发布方所有，请阅读原文。