微软与 Hugging Face 用 ThinkingBox 把数据库校验转为 RL 奖励训练 Agent

微软与 Hugging Face 发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的校验结果直接当作 RL 奖励，对 Qwen3.8-27B 做 50 步 GRPO 全参数微调后，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个。