把数据库判分变成 RL 奖励：用 ThinkingBox 做智能体后训练

微软与 Hugging Face 的联合博客展示了如何把 ThinkingBox（一个 507 项任务、通过检查最终数据库状态判分的智能体基准）反过来当作 RL 奖励信号。通过离线策略相关难度筛选训练任务，50 步 GRPO 让 Qwen3.8-27B 的 pass@1 从 51.70% 提升到 60.78%，20 次尝试全部通过的任务数从 38 增至 107，而每个可靠任务的评估成本下降 67% 至 8 美元。为什么重要：这套方法为训练生产级可靠智能体（而非只追求单次准确率）提供了具体、可执行的配方。

• Hugging Face Blog2026-10-22 22:24