将数据库评分转化为 RL 奖励：用 ThinkingBox 对智能体进行后训练
Microsoft 与 Hugging Face 将 ThinkingBox 的数据库终态检查用作 RL 奖励，使 Qwen3.8-27B 的平均成功率从 51.70% 升至 60.78%。经过 50 步 GRPO，全部 20 次尝试均成功的任务从 38 项增至 107 项，但至少成功一次的任务数略降；ThinkingBox-Training 已在 GitHub 开放。
Microsoft 与 Hugging Face 将 ThinkingBox 的数据库终态检查用作 RL 奖励，使 Qwen3.8-27B 的平均成功率从 51.70% 升至 60.78%。经过 50 步 GRPO，全部 20 次尝试均成功的任务从 38 项增至 107 项，但至少成功一次的任务数略降；ThinkingBox-Training 已在 GitHub 开放。