微软与Hugging Face发布ThinkingBox训练栈
先了解这件事
微软与 Hugging Face 联合发布 ThinkingBox-Training 训练栈，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果作为强化学习奖励，用于训练智能体。用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，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，但至少通过一次的任务从 453 个降至 446 个。 训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。公开样例任务列表仅用于验证接口，并非此次训练所用的 187 项任务池。 该训练栈已在 GitHub 发布，测试环境为 Linux 和 WSL、Python 3.12 与 uv，需要 NVIDIA GPU 及兼容的 CUDA/NCCL 栈、本地 Qwen3.8-27B 检查点，以及为模拟用户和评判提供服务的 OpenAI 兼容端点；已验证的参考配置为 3 节点×8 张 H100 GPU。
AI 根据报道生成 · 11 天前更新
报道时间线
沿着报道，了解事件的不同侧面。
- Hugging Face Blog 精选微软与 Hugging Face 用 ThinkingBox 数据库校验结果作 RL 奖励训练智能体
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，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，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。