Hugging Face Blog·· 2 小时前精选AI 评分61
将数据库评分转化为RL奖励：用ThinkingBox训练Agent
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与Hugging Face联合发布ThinkingBox训练方法，将数据库终端状态的可执行检查结果作为强化学习奖励信号。通过离线策略相对难度筛选训练池，对Qwen3.8-27B进行50步GRPO训练，平均成功率从51.70%升至60.78%，20次全部通过的任务从38个增至107个。
推荐理由
介绍了将数据库终端状态检查转化为RL奖励的训练循环，读者可据此在自己的Agent项目中复用相似的任务筛选与奖励设计思路。
来源：Hugging Face Blog · huggingface.co