Hugging Face Blog·· 3 天前精选AI 评分73
ThinkingBox-Training：将数据库评分转化为强化学习奖励
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与Hugging Face合作发布ThinkingBox-Training，通过将数据库终端状态检查转化为奖励函数，对Qwen3.8-27B模型进行50步GRPO微调。
推荐理由
将数据库评分转化为强化学习奖励，让智能体从偶尔成功变为可重复执行，训练任务选择是关键。
来源：Hugging Face Blog · huggingface.co