Hugging Face Blog·· 9 天前精选
将数据库评分转化为 RL 奖励：基于 ThinkingBox 的带有 ThinkingBox 的后训练智能体
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
原始来源：Hugging Face Blog阅读原始报道
AI 导读
该研究发布了 ThinkingBox-Training，通过构建基于数据库终态状态的可执行奖励函数，对 Qwen3.8-27B 进行了 50 步的 GRPO 微调。
推荐理由
基于可执行数据库状态的奖励函数对 Qwen3.8-27B 进行了 50 步 GRPO 微调，使其在 ThinkingBox-Bench 基准测试中通过全部 20 次尝试的任务数从 38 例提升至 107 例，pass@1 从 51.70% 提升至 60.78%，展示了通过离线策略相对难度筛选训练任务后，模型可重复成功率的显著提升。
来源：Hugging Face Blog · huggingface.co