微软与Hugging Face开源ThinkingBox-Training，用数据库终态检查作RL奖励

微软与 Hugging Face 联合开源 ThinkingBox-Training 训练栈，其思路是把智能体任务结束后数据库终态的可执行检查转化为 GRPO 训练奖励，代码已发布在 GitHub 的 microsoft/thinkingbox-training 仓库，并配套博客讲解方法和基于 Qwen3.8-27B 的 GRPO 训练流程。 使用上有明确条件：代码在 Linux 和 WSL 上以 Python 3.12 和 uv 测试，需要兼容 CUDA/NCCL 的 NVIDIA GPU、本地 Qwen3.8-27B 检查点，以及供模拟用户和评判模型使用的 OpenAI 兼容接口。官方验证过的参考配置为 3 节点各 8 张 H100，更小的自定义配置取决于模型规模、上下文长度和 rollout 并发。 需要注意，公开的示例任务列表只用于演示接口，并非报道那次训练所用的私有 187 个任务池。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。