ThinkingBox：用数据库终态校验作强化学习奖励

数据库终态校验可兼作智能体强化学习奖励

资讯摘要

作者提出将 ThinkingBox 对数据库终态的校验结果直接用作强化学习奖励，并在 ThinkingBox-Bench 之外的任务上对 Qwen3.8-27B 进行 50 步 GRPO 微调。作者报告平均成功率从 51.70% 升至 60.78%，20 次全部正确的任务数从 38 增至 107；同时至少成功一次的任务覆盖略有下降。

要点速读

1. ThinkingBox-Bench 含 507 个任务，每个任务启动真实后端、提供 MCP 工具与模拟用户，最终按数据库终态执行校验，而非检查具体工具调用。
2. 作者用离线策略相对难度筛选训练任务池，对 Qwen3.8-27B 做 50 步 GRPO；报告 pass@1 从 51.70% 升至 60.78%，20/20 全通过任务从 38 增至 107。
3. 作者指出基准上 pass@1 会掩盖稳定性差异，例如 Claude Opus 5.5 的 pass@1 比 Opus 5 高 0.66 个百分点，但 20 次全通过任务数同为 241。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:10（北京时间）。