先了解这件事
AI 综述
研究团队将ThinkingBox-Bench的数据库终态可执行检查直接作为强化学习奖励,对Qwen3.8-27B进行全参数RL微调。该工作由微软Copilot Studio团队与Toloka等合作完成。在507个未参与训练的分布外任务上,模型20次全部通过的任务数从38个(7.5%)升至107个(21.1%),pass@1从51.70%升至60.78%,单次成功成本从0.177美元降至0.139美元。训练池采用离线策略相对难度筛选,最终保留187个任务;训练与评测代码已开源在microsoft/thinkingbox-training。
AI 根据公开报道生成
事件进展
1 个已确认进展
- 来源：Hugging Face
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
10月23日
Hugging Face一手
微软用 ThinkingBox 把数据库评分变成 RL 奖励，微调 Qwen3.8-27B
微软 Copilot Studio 团队与 Toloka 等合作，将 ThinkingBox-Bench 的数据库终态可执行检查直接作为强化学习奖励，对 Qwen3.8-27B 做全参数 RL 微调。在 507 个未参与训练的分布外任务上，该模型 20 次全部通过的任务数从 38 个（7.5%）升至 107 个（21.1%），pass@1 从 51.70% 升至 60.78%，单次成功成本从 0.177 美元降至 0.139 美元。训练池用离线策略相对难度筛选，最终保留 187 个任务，训练与评测代码已开源在 microsoft/thinkingbox-training。