微软与 Hugging Face 用 ThinkingBox 数据库校验作 RL 奖励训练智能体

微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的校验结果直接当作强化学习奖励，用于训练智能体。研究团队用离线策略相对难度筛选训练任务，只保留基础模型偶尔能解出的任务，再用 GRPO 对 Qwen3.8-27B 训练 50 步。在 507 个任务的 ThinkingBox-Bench 上，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，但 pass@20 从 453 降至 446。按估算成本计算，每个可靠任务成本从 24.36 美元降至 8.00 美元。训练代码已在 GitHub 的 microsoft/thinkingbox-training 仓库开源，参考配置为 3 节点 8 张 H100。