微软与Hugging Face发布ThinkingBox训练框架：将数据库检查转化为RL奖励

微软与Hugging Face发布ThinkingBox训练框架，将数据库可执行检查转化为RL奖励信号，使Qwen3.8-27B在重复成功率上提升近三倍。该框架通过离线策略相对难度筛选训练任务，利用GRPO算法进行微调，在507项基准测试中，模型在20次尝试中全部成功的任务数从38个增至107个，平均成功率从51.70%提升至60.78%。