微软与 Hugging Face 推出 ThinkingBox-Training：将数据库状态检查转化为智能体强化学习奖励

微软和 Hugging Face 联合开源了 ThinkingBox-Training，通过将智能体操作后的数据库终态可执行检查转化为强化学习奖励来训练智能体。使用该方法对 Qwen3.8-27B 进行 50 步 GRPO 微调后，其在 ThinkingBox-Bench 基准上的 20/20 可重复成功任务数从 38 个提升至 107 个，平均成功率从 51.70% 提升至 60.78%。