Hugging Face Blog·· 11 天前精选AI 评分62
微软与 Hugging Face 开源 ThinkingBox-Training：用数据库终态校验作为 RL 奖励训练 Agent
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软 Copilot Studio 团队与 Hugging Face 开源 ThinkingBox-Training，把 ThinkingBox 对数据库终态的可执行校验直接用作强化学习奖励，对 Qwen3.8-27B 做 50 步 GRPO 全参数微调。
推荐理由
微软与 Hugging Face 联合发布 ThinkingBox 训练栈，把数据库终态校验直接当作强化学习奖励，并给出可复现的选任务与训练流程。
来源：Hugging Face Blog · huggingface.co