微软与 Hugging Face 将数据库终态校验用作 RL 奖励
先了解这件事
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，用来训练智能体。研究团队先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。公开的示例任务列表只用于演示接口，并非此次报告所用、包含 187 个任务的私有训练池；使用者需提供与公开基准不重叠的授权训练数据。已验证的参考配置为 3 节点、每节点 8 张 H100；更小的自定义配置取决于模型规模、上下文长度和 rollout 并发。
AI 根据报道生成 · 2 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- Hugging Face Blog精选微软与 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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。