ARTICLE · 1235454

AI工具热点|ThinkingBox用任务终态检查训练工具调用Agent

发布时间：2026-10-23 15:58:05 最近访问：2026-10-23 15:57:44

◆任务结束后检查数据库状态与副作用，再返回训练奖励

微软ThinkingBox项目公开的训练代码，为每条Agent执行轨迹提供独立后端、MCP工具和模拟用户。任务结束后，检查器读取数据库最终状态与操作副作用，生成二元奖励并交给VeRL，用于训练能够多回合调用工具的模型。

大部分奖励来自确定性的状态检查，部分任务使用范围较窄的二元评分标准；模拟用户只承担环境角色，不负责给Agent打分。训练前先探测基础模型、选出固定任务池，训练期间不持续改动该任务池，最终再到独立ThinkingBox-Bench评测。

仓库报告，Qwen3.8-27B的平均单次成功率从51.70%升至60.78%；20次全部成功的任务从38个增至107个，但20次至少成功一次的比例从89.35%降至87.97%。几项结果来自同一评测活动的不同汇总，不能合成所有成功指标都提高的结论。

这些是项目团队披露的结果，不是本号训练复现。框架主要在Linux测试，文档中的全参数参考训练使用三个节点、每节点八张H100；其他模型和配置所需资源需要另算。项目代码公开也不等于已经包含任意企业的任务环境与数据授权。