Hugging Face Blog·· 2 小时前精选AI 评分62
微软与 Hugging Face 用数据库终态校验作奖励，对 Qwen3.8-27B 做智能体后训练
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与 Hugging Face 联合发布 ThinkingBox-Training，把数据库终态的可执行校验结果直接作为强化学习奖励，对 Qwen3.8-27B 做 50 步 GRPO 后训练。
推荐理由
微软与 Hugging Face 联合发布 ThinkingBox 训练方案，把数据库终态校验直接当作强化学习奖励，并公开了完整训练栈。
来源：Hugging Face Blog · huggingface.co