Hugging Face Blog·· 2 小时前精选AI 评分60
微软与 Hugging Face 用 ThinkingBox 数据库校验作 RL 奖励后训练 Agent
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 ThinkingBox 对数据库终态的校验结果当作 RL 奖励，对 Qwen3.8-27B 做 50 步 GRPO 全参数微调。
推荐理由
微软与 Hugging Face 把数据库终态校验改造成 RL 奖励，并公开了任务筛选与训练栈，可看可复用的训练数据筛选思路。
来源：Hugging Face Blog · huggingface.co