ThinkingBox 用数据库终态评分训练 Qwen3.8-27B 智能体并开源训练栈

Microsoft 与 Hugging Face 将数据库终态检查转化为智能体 RL 奖励，并开源 ThinkingBox-Training。经 50 步 GRPO 微调后，Qwen3.8-27B 的 pass@1 从 51.70% 升至 60.78%，20 次尝试全部通过的任务从 38 个增至 107 个。