微软在 Hugging Face 开源 ThinkingBox-Training：基于数据库最终状态提供强化学习奖励

Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox 微软团队在 GitHub 开源了 ThinkingBox-Training 项目，并在 Hugging Face 博客发布。该系统通过对比智能体执行任务后数据库的最终状态与预期目标，生成可执行的反馈信号作为强化学习奖励。实验数据显示，在 50 步 GRPO 训练后，Qwen3.8-27B 模型的平均任务成功率从 51.70% 提升至 60.78%。