微软与Hugging Face开源ThinkingBox训练方法

事件综述根据 1 篇报道整理，10月23日更新

微软与 Hugging Face 联合开源 ThinkingBox-Training，把 ThinkingBox 对数据库终态的可执行校验直接作为强化学习奖励，用于训练有状态业务工作流中的智能体，代码已在 GitHub 以 MIT 许可开放。 据发布方称，用该方法对 Qwen3.8-27B 做 50 步 GRPO 训练后，在 ThinkingBox-Bench 上的平均成功率从 51.70% 升至 60.78%，二十次尝试全部正确的任务数从 38 增至 107。训练池为私有 187 个任务，公开样例任务列表只用于验证接口，且训练池未包含 ThinkingBox-Bench 的任何任务。验证过的参考配置为 3 节点 × 8 张 H100 GPU，更小的配置取决于模型规模、上下文长度和 rollout 并发。

综述由模型根据报道生成，细节以各篇原文为准。