注目のストーリー進行中
ThinkingBoxでDB結果を報酬にRL学習
1件の報道1件のソース2 時間前更新
これまでの経緯
報道より
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。
Hugging Face Blogより
報道タイムライン
報道を追って、ストーリーのさまざまな側面を確認しましょう。
10月23日
- Hugging Face BlogThinkingBox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。
このニュースの注目度の推移
推移を表示するための継続的な観測データがまだ足りません。