Hugging Face Blog·· 2 小时前精选AI 评分68
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 1/0 可执行校验当作 GRPO 奖励，对 Qwen3.8-27B 做 50 步全参数微调。
推荐理由
微软与 Hugging Face 联合发布训练栈，把数据库终态校验直接当作 GRPO 奖励，并给出可复现的选任务与训练流程。
来源：Hugging Face Blog · huggingface.co