微软与HF开源ThinkingBox-Training，用数据库终态校验作RL奖励

Microsoft 与 Hugging Face 开源 ThinkingBox-Training 训练栈，把 Agent 任务结束后数据库终态的可执行检查作为 RL 奖励信号，并用该信号对 187 个训练任务池对 Qwen3.8-27B 做了 GRPO 后训练，结果随仓库公布。 该方法的思路是：比较 Agent 工作后的数据库终态与预期结果来评估表现，再把同类可执行信号用作奖励。训练池不包含 ThinkingBox-Bench 的任务，该基准仅用于评测。 运行该栈需要兼容 CUDA/NCCL 的 NVIDIA GPU、本地 Qwen3.8-27B 检查点，以及为模拟用户和评审模型提供 OpenAI 兼容端点。公开的示例任务列表仅用于演示接口，并非报道中训练所用的 187 个私有任务池。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。