Microsoft y Hugging Face dicen que ThinkingBox mejoró el éxito de Qwen3.8-27B

Microsoft y Hugging Face dicen que ThinkingBox convierte las comprobaciones ejecutables del estado final de una base de datos en recompensas para entrenar agentes. En un experimento con un conjunto fijo de tareas seleccionadas por su dificultad relativa a la política del modelo, el ajuste de Qwen3.8-27B durante 50 pasos de GRPO elevó el éxito promedio de 51,70% a 60,78% y aumentó de 38 a 107 las tareas aprobadas en los 20 intentos. El resultado estuvo acompañado por una pequeña caída en las tareas resueltas al menos una vez, de 453 a 446.

ThinkingBox-Training ya está disponible en GitHub. En ThinkingBox-Bench, cada una de las 507 tareas proporciona al agente un entorno y herramientas, antes de comparar los cambios reales en la base de datos con el resultado esperado. En un ejemplo citado en la publicación, el modelo ajustado conservó el estado de la reserva y del pago en los 20 intentos de una tarea que exigía aprobación de un gerente para cambiar a una habitación más barata.