ThinkingBoxのデータベース判定をRL報酬に転用、Qwen3.8-27Bのエージェント学習で信頼性向上

Microsoftと Hugging Faceは、ThinkingBoxのデータベース状態による判定を強化学習の報酬に使うエージェント学習手法「ThinkingBox-Training」をGitHubで公開した。Qwen3.8-27BをGRPOで50ステップ学習したところ、507タスクのベンチマークで平均成功率（pass@1）が51.70%から60.78%に上がり、20回すべて成功したタスクは38件から107件に増えた。