**微软将数据库评分转化为 RL 奖励：发布带思考盒的后期训练智能体**

_Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox_

> 微软推出 ThinkingBox 框架，通过利用数据库评分作为强化学习奖励，实现智能体的后期训练。该方法无需微调模型参数，即可显著提升智能体在复杂任务中的推理与执行能力。

**来源信息**
- **来源**：Hugging Face：Blog（RSS）
- **分类**：ai-models
- **发布时间**：2026-10-23 06:24（北京时间）
- **原文**：[打开原文](https://hf-mirror.com/blog/microsoft/thinkingbox-training)