微软开源 ThinkingBox-Training：以数据库终态检验作为强化学习奖励提升智能体可靠性

微软联合 Hugging Face 开源智能体后训练套件 ThinkingBox-Training，将后端数据库最终状态的可执行校验转化为强化学习奖励函数。项目通过离线策略相对难度筛选出能产生反差奖励的任务池，使用 GRPO 算法微调 Qwen3.8-27B，使其平均成功率从 51.70% 提升至 60.78%，20 次尝试全部成功的任务数从 38 项增至 107 项。