Hugging Face Blog·· 3 小时前精选AI 评分64
Microsoft 与 Hugging Face 用数据库终态奖励后训练 ThinkingBox 智能体
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
Microsoft 与 Hugging Face 将 ThinkingBox 的数据库终态检查转化为 RL 奖励，并用 187 个与基准隔离的任务对 Qwen3.8-27B 进行 50 步 GRPO 微调。
推荐理由
文章把数据库终态评分转化为 RL 奖励，并公开任务筛选、训练和评测代码，可用于评估智能体后训练方法。
来源：Hugging Face Blog · huggingface.co