热点事件持续更新

微软与Hugging Face用数据库终态奖励训练智能体

1 篇报道1 个报道来源11 小时前更新

先了解这件事

AI 综述

微软与 Hugging Face 将 ThinkingBox 的数据库终态检查用作强化学习奖励；双方报告，Qwen3.8-27B 经过50步 GRPO 后，平均任务成功率从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，提升并未覆盖所有任务。训练任务不包含 ThinkingBox-Bench 基准任务，但两者共用框架、模拟用户机制及部分工具，任务风格也相近。ThinkingBox-Training 已在 GitHub 提供，但不包含此次实验使用的187项私有训练任务。

AI 根据报道生成 · 10 小时前更新

最新进展10月23日 06:24

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

报道时间线

沿着报道，了解事件的不同侧面。

10月23日

06:24
Hugging Face Blog
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。

本事件热度走势

可比范围当前: 7
可比范围峰值: 1010月23日 08:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。