跳到正文
EVENT / 热点事件历史事件

Turning Database Grading into RL Rewards: Post-Training Agent

1 篇报道1 个报道来源8 天前更新

当前事件综述(非历史快照)

AI 综述

A research team introduced ThinkingBox-Training, a post-training method that converts database grading into executable RL rewards. By fine-tuning Qwen3.8-27B with GRPO for 50 steps on an offline-selected training pool, average task success increased from 51.70% to 60.78%, and tasks completed correctly on all twenty attempts rose from 38 to 107. The reward signal was built by comparing final database states with expected outcomes in ThinkingBox-Bench's 507 tasks, which provide real backends and tools. The training pool was constructed using offline policy-relative difficulty and kept fixed throughout the run.

AI 根据报道生成 · 8 天前更新

事件探索工作台

同一时点联动报道、关系与证据。

EVENTGRAPH EXPLORER
在独立工作台打开 ↗
EVENT REPLAY阶段 1 / 1

此时新增 ·将数据库评分转化为 RL 奖励:基于 ThinkingBox 的带有 ThinkingBox 的后训练智能体

本次回放累计
1
一手资料
1
报道来源
1

按本站首次发现时间回放。历史图谱与证据使用同一时点;完整综述与热度仍是当前视角。

事件进展

1 条进展
  1. 2026/10/23 06:56:27

    将数据库评分转化为 RL 奖励:基于 ThinkingBox 的带有 ThinkingBox 的后训练智能体

    Hugging Face Blog

按本站首次收录时间筛选;只显示代表报道在此时点前已收录的进展。当前事件归组可能后来修订,不是完整历史快照。

历史重建(非精确快照):按首次收录与关系记录时间筛选;实体名、关系陈述和事件归组可能已经被后来修订,不能将其当作当时原始记录。 下方综述与完整来源索引仍属于当前视角。

Story 路线

从第一份公开证据到最新进展的逐站路线;每一站都带着自己的证据和不确定性。

  1. 110月23日 00:00收录于 10月23日 06:56单一来源有修订

    Turning Database Grading into RL Rewards: Post-Training Agen

    核对原始报道 ↗ Hugging Face Blog在探索工作台回到这个时点

不确定性标注指出需要核对原文的地方,不是已证实的因果。

完整来源索引(截至目前)

目前公开的报道索引,不属于历史回放。

一手资料 · 1 篇

第三方报道 · 0 篇

目前尚未收录这一类可核实资料,不能把单方说法当作多方证据。

不同报道并不自动代表观点冲突;阅读原文核对事实、条件和发布日期。后续来源加入后此处会自动更新。

报道时间线

沿着报道,了解事件的不同侧面。

10月23日
  1. Hugging Face Blog精选
    将数据库评分转化为 RL 奖励:基于 ThinkingBox 的带有 ThinkingBox 的后训练智能体

    该研究发布了 ThinkingBox-Training,通过构建基于数据库终态状态的可执行奖励函数,对 Qwen3.8-27B 进行了 50 步的 GRPO 微调。

本事件热度走势

可比范围当前
3
可比范围峰值
410月24日 18:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。