OmniTools 10月23日消息，微软与Hugging Face联合发布博客，介绍如何将ThinkingBox对数据库最终状态的校验结果用作强化学习奖励，用于后训练数据库操作智能体。ThinkingBox-Bench包含507个任务，通过真实后端、工具调用和可执行检查，判断智能体操作后数据库记录是否符合预期。
研究团队从基准之外构建训练任务池，先估计基础策略在各任务上的成功概率，以筛选难度合适的任务，再用GRPO对Qwen3.8-27B进行50步微调。结果显示，模型pass@1从51.70%升至60.78%；在全部20次尝试中均正确完成的任务数从38个增至107个。同时，pass@20从453个降至446个。
成本方面，博客给出的估算显示，训练后每次成功尝试成本从0.177美元降至0.139美元，每个可靠完成任务成本从24.36美元降至8.00美元。研究团队称，训练提升了重复执行的一致性，但并未扩大模型的整体覆盖范围。ThinkingBox-Training已在GitHub开放。
