ThinkingBox 用数据库终态校验作 RL 奖励
热点事件持续更新
ThinkingBox 用数据库终态校验作 RL 奖励
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的确定性校验结果直接作为强化学习奖励，用 GRPO 对 Qwen3.8-27B 训练 50 步。 训练所用的数据筛选、rollout、奖励和 Verl 集成已在 microsoft/thinkingbox-training 开源。运行需 Linux 或 WSL、Python 3.12 与 uv，以及兼容 CUDA/NCCL 的 NVIDIA GPU、本地 Qwen3.8-27B 检查点，并为模拟用户和评判模型提供 OpenAI 兼容端点。 公开的示例任务列表仅用于验证接口，并非报告所用训练集的私有 187 项任务池。
AI 根据报道生成 · 54 分钟前更新
最新进展10月23日 06:24
微软与 Hugging Face 用 ThinkingBox 数据库校验结果作为 RL 奖励训练智能体报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- Hugging Face Blog精选微软与 Hugging Face 用 ThinkingBox 数据库校验结果作为 RL 奖励训练智能体
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的确定性校验结果直接当作强化学习奖励，用 GRPO 对 Qwen3.8-27B 训练 50 步。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。