将数据库评分转化为 RL 奖励：用 ThinkingBox 对智能体进行后训练
- 谁
- Microsoft and Hugging Face
- 引文
We release the data-selection, rollout, reward, and Verl integration used to train Qwen3.8-27B in microsoft/thinkingbox-training .
发生了什么
Microsoft 和 Hugging Face 在 GitHub 上发布了 ThinkingBox-Training，将对数据库最终状态的可执行检查转化为智能体后训练的奖励。在 ThinkingBox-Bench 之外的 187 项任务上进行 50 步 GRPO 训练后，Qwen3.8-27B 的基准测试平均成功率从 51.70% 升至 60.78%，20 次尝试中全部通过的任务从 38 项增至 107 项，而至少成功一次的任务从 453 项降至 446 项。该发布包含任务选择、rollout、奖励和 Verl 集成代码；报告中的训练运行所用私有训练池未包含在内。
推荐理由
选择基础策略有时能够成功的任务，提供了一种可迁移的方法来生成对比鲜明的 RL 奖励，同时减少那些无法带来任务奖励优势的 rollout。
接下来读什么
查看这件事的完整进展微软与 Hugging Face 发布 ThinkingBox 工作流，通过数据库检查训练智能体这件事到目前为止
微软与 Hugging Face 在 GitHub 上发布了 ThinkingBox-Training，这是一套将对最终数据库状态执行的检查转化为智能体后训练奖励的工作流。Hugging Face 报告称，在 ThinkingBox-Bench 之外的 187 项任务上进行 50 个 GRPO 步骤后，Qwen3.8-27B 的基准测试平均成功率从 51.70% 升至 60.78%。在 20 次尝试中全部通过的任务从 38 项增至 107 项，但至少成功一次的任务从 453 项降至 446 项。 该发布包含任务选择、rollout、奖励和 Verl 集成代码。公开的示例任务列表用于测试接口；用于报告结果的 187 项私有训练任务集并未包含在内。运行此工作流需要配备兼容 CUDA/NCCL 软件栈的 NVIDIA GPU、本地 Qwen3.8-27B 检查点，以及用于模拟用户和评判器的 OpenAI 兼容端点。经过验证的参考配置使用三个节点，每个节点配备八块 H100 GPU。
每天一封，跟上 AI 的重要变化
模型发布、价格变化、算力进展，附原始来源。免费，确认后开始发送，随时一键退订。 看一份往期日报 · 2026-10-23