将数据库评判转化为 RL 奖励：用 ThinkingBox 对智能体进行后训练

Microsoft 与 Hugging Face 将 ThinkingBox 的数据库终态检查用作 RL 奖励，提升了 Qwen3.8-27B 的任务成功率。经过 50 步 GRPO，平均成功率从 51.70% 升至 60.78%，全部尝试均成功的任务从 38 项增至 107 项，但至少成功一次的任务减少 7 项。ThinkingBox-Training 已在 GitHub 提供。