Hugging Face Blog·· 8 天前AI 评分52
微软与 Hugging Face 用 ThinkingBox 把数据库校验转为 RL 奖励训练 Agent
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与 Hugging Face 发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的可执行校验当作 RL 奖励，对 Qwen3.8-27B 做 50 步 GRPO 全参数微调。
来源：Hugging Face Blog · huggingface.co