搜尋

資料庫終態校驗當 RL 獎勵：Qwen3.8-27B 成功率升至 60.78%

微軟與 Hugging Face 開源 ThinkingBox-Training，把 ThinkingBox-Bench 中對資料庫終態的可執行 1/0 校驗直接當作強化學習獎勵，用 GRPO 對 Qwen3.8-27B 訓練 50 步：pass@1 從 51.70% 升至 60.78%（+9.08 個百分點），20 次嘗試全部通過的任務從 38 個增至 107 個，但至少通過一次的 pass@20 反而從 453 降到 446。