ThinkingBox-Training开放强化学习训练代码
AI 总结
微软与Hugging Face报告称,ThinkingBox-Training现已登陆GitHub,可将最终数据库状态的可执行检查用作智能体强化学习奖励。在其实验中,Qwen3.8-27B经过50步GRPO训练后,pass@1从51.70%升至60.78%,20次尝试均正确完成的任务数从38个增至107个。不过,pass@20从89.35%降至87.97%,作者也指出部分共有要素限制了迁移结论。
深度见解
该项目开放了利用数据库终态奖励训练有状态智能体的实现,而混合的基准结果表明,可重复成功与广泛任务覆盖需要分别评估。
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
Published October 22, 2026
#Microsoft#Hugging Face#ThinkingBox-Training#ThinkingBox-Bench#Qwen3.8-27B#Microsoft Copilot Studio#Toloka