用数据库终态当奖励：ThinkingBox助力智能体后训练

微软与Hugging Face联合介绍ThinkingBox-Training：在先前用数据库终态核对智能体是否真正完成任务的思路之上，把同类可执行校验结果当作训练奖励。ThinkingBox-Bench含507项任务，会给智能体真实后端与工具，再检查数据库实际变更。团队在基准之外的ThinkingBox格式任务上构建训练池，并以可执行结果为奖励信号。为避免任务过易或过难导致学不到东西，他们采用离线、相对当前策略的难度估计，在训练前用基座策略估一次各任务成功概率，并固定训练池。对Qwen3.8-27B进行50步GRPO后，平均成功率由51.70%升至60.78%，在二十次尝试中全部做对的任务数由38增至107。ThinkingBox-Training已在GitHub开放。原文表格其余细节在提供的正文中未完整展开。