微软与 Hugging Face 用数据库终态奖励训练智能体
热点事件持续更新
微软与 Hugging Face 用数据库终态奖励训练智能体
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
微软与 Hugging Face 公布 ThinkingBox 智能体后训练实验：将任务结束后的数据库状态检查用作强化学习奖励，对 Qwen3.8-27B 进行 50 步 GRPO 训练，报告的平均成功率从 51.70% 升至 60.78%。 训练后，20 次尝试全部成功的任务从 38 项增至 107 项，但至少成功一次的任务数略降，表明收益主要体现在重复执行的稳定性，而非成功覆盖更多任务。 ThinkingBox-Training 已在 GitHub 开放，但不包含实验使用的 187 项私有训练任务；使用者需自行提供与公开基准不重叠的授权训练数据。
AI 根据报道生成 · 13 小时前更新
最新进展10月23日 06:24
将数据库评分转化为 RL 奖励：用 ThinkingBox 对智能体进行后训练报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- Hugging Face Blog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。
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。