Hugging Face Blog·· 9 小时前精选AI 评分71
Microsoft 与 Hugging Face 发布 ThinkingBox 数据库奖励后训练方法
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
Microsoft 与 Hugging Face 发布 ThinkingBox-Training，将数据库终态的可执行检查转为 RL 奖励，并用 ThinkingBox-format 任务对 Qwen3.8-27B 进行 GRPO 微调。
推荐理由
文章把数据库终态检查转为 RL 奖励，并公开训练栈与评测流程，提供了可复现的后训练实践。
来源：Hugging Face Blog · huggingface.co