Hugging Face Blog·· 3 天前精选
微软与 Hugging Face 开源 ThinkingBox 训练栈：用数据库校验作 RL 奖励
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
事实摘要
微软与 Hugging Face 发布 ThinkingBox-Training 训练栈，把智能体执行后数据库终态的可执行校验结果作为强化学习奖励。
原文与核验
这条信号在站内保留事实摘要与战略研判。完整内容和上下文请以原文为准；融资、并购与技术效果以原始披露为准。
战略研判
基于公开信息为什么值得关注
把数据库终态的可执行校验直接当作强化学习奖励，为有状态业务智能体提供了一条不依赖人工标注的后训练路径，并公开了数据筛选与训练栈。
后续关注
187 个训练任务与 507 个评测任务仅共享框架、不共享任务，迁移增益能否在其他模型与业务域复现；pass@20 下降 7 个任务所反映的覆盖收窄是否可接受。
来源：Hugging Face Blog · huggingface.co