ThinkingBox：把数据库终态校验变成 RL 奖励，Qwen3.8-27B 成功率升至 60.78%
2026.10.23 · 事件 · AI 事件 · 官方发布
微软与 Hugging Face 用可执行数据库校验当奖励，GRPO 训练 50 步提升智能体可靠性
微软与 Hugging Face 联合发布 ThinkingBox，通过对比智能体操作后的最终数据库状态与预期结果来评估其工作。团队把这种可执行校验当作奖励函数，用 GRPO 对 Qwen3.8-27B 训练 50 步，pass@1 从 51.70% 升至 60.78%，20 次全对任务从 38 增至 107。
- ThinkingBox 用最终数据库状态的可执行校验评估智能体
- 同一信号被用作训练奖励，构建离线训练池
- Qwen3.8-27B 经 50 步 GRPO：pass@1 51.70%→…
- 20/20 全对任务从 38 增至 107，pass@20 略降 7 个
- 提出离线策略相对难度筛选训练任务
为什么值得看
看数据库终态校验如何直接变成智能体 RL 奖励
适合谁关注
做智能体训练与评测的工程师和研究者