微软与Hugging Face开源ThinkingBox框架：以数据库终态为确定性奖励信号推进智能体RL后训练
微软与Hugging Face联合推出开源框架ThinkingBox，通过比对LLM智能体执行后的真实数据库终态与预期状态生成0/1二元奖励，用于强化学习后训练；配套基准ThinkingBox-Bench含507个真实后端任务，全部任务均未参与训练；Qwen3.8-27B经50步GRPO微调后，在持留测试集上pass@1提升9.08个百分点，Observed 20/20翻近三倍，但部分领域pass@20下降，反映广度与稳定性权衡。