# 把数据库评分转化为强化学习奖励：用 ThinkingBox 对智能体进行后训练

- 原标题：Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
- 类型：博客
- 来源：Hugging Face
- 发布时间：2026-10-23
- 首次精选：2026-10-26 15:43
- 分级：值得看
- 学习层级：深入
- 主题：[reinforcement-alignment](<https://oplearnx.com/md/topics/reinforcement-alignment.md>)（第 30 位）、[agent-evaluation-reliability](<https://oplearnx.com/md/topics/agent-evaluation-reliability.md>)（第 54 位）
- 原文链接：[https://huggingface.co/blog/microsoft/thinkingbox-training](<https://huggingface.co/blog/microsoft/thinkingbox-training>)
- 本站页面：[https://oplearnx.com/resources/pk\_51c9dd5fd5c2](<https://oplearnx.com/resources/pk_51c9dd5fd5c2>)

## 摘要

这是此前博客的后续，介绍已在 GitHub 上发布的 ThinkingBox-Training。作者用比较最终数据库状态与预期结果的方式评估智能体工作，并把同类的可执行信号用作 ThinkingBox-Bench 之外训练任务的奖励。文中报告对 Qwen3.8-27B 经 50 步 GRPO 后平均成功率从 51.70% 升至 60.78%，二十次尝试全部正确的任务数从 38 增至 107；ThinkingBox-Bench 包含 507 项任务。

---
来源：LearnMap · 学径（https://oplearnx.com）