微软与Hugging Face发布ThinkingBox训练栈

2026年10月23日，微软与Hugging Face 发布 ThinkingBox-Training 训练栈，并提出一种基于数据库终态校验的 Agent 后训练方法：把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，对 Qwen3.8-27B 进行 50 步 GRPO 全参数微调。报道称，在该方法下，Qwen3.8-27B 在全部任务上答对的数量从 38 增至 107。 该训练栈已在 GitHub 发布。据来源说明，其测试环境为 Linux 与 WSL，使用 Python 3.12 和 uv；运行需要 NVIDIA GPU 及兼容的 CUDA/NCCL 栈、本地 Qwen3.8-27B 检查点，以及用于模拟用户和评判的 OpenAI 兼容端点。已验证的参考配置为 3 节点 × 8 张 H100 GPU，更小的自定义配置取决于模型规模、上下文长度与 rollout 并发。公开的示例任务列表仅用于验证接口，并非上述报告运行所用的私有 187 任务训练池。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。