Hugging Face BlogT1·78 分
微软推出 ThinkingBox：用数据库状态作为 RL 奖励训练智能体
原标题：Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
- ThinkingBox-Training 已在 GitHub 开源，支持将数据库状态比对转化为 RL 奖励信号。
- 实验显示，使用该方法后训练 Qwen3.8-27B，其平均成功率提升约 9 个百分点，完全正确完成任务的数量大幅增加。
- 针对 GRPO 训练中零方差组的问题，采用了类似 DAPO 的重采样策略以优化训练效率。