把数据库检查变成奖励：ThinkingBox 的 Agent 训练新方法
深度Hugging Face2026年10月22日8 分钟阅读
ThinkingBox-Bench 通过检查数据库的最终状态来评估 Agent 是否真的完成了任务，现在这个可执行的检查信号被直接用作强化学习的奖励。经过 50 步 GRPO 训练，Qwen3.8-27B 的平均成功率从 51.70% 提升到 60.78%，而 20 次全部通过的任务数从 38 个增加到 107 个。
觉得有用？分享给更多人
相关文章
OpenAI 正式向所有客户开放 Decisions API，该 API 基于 ChatGPT Luna 重新配置，专注于快速、低成本的决策任务。与 TypeSafe 的 Jev 模型相比，OpenAI 的模型在基准测试中排名靠后，但在多模态和全球延迟优化上有优势。早期客户如 Box、Datadog、Ramp 和 Speak 已用其替换 LLM 以提升吞吐量。
深度·10月22日·4 分钟
FrontierMemory 不再只测事实回忆，而是考察智能体能否利用过往任务记录生成记忆并提升后续表现。测试显示执行框架的影响举足轻重。此外，模型在记忆生成能力和成本上也存在明显取舍。
深度The New Stack·10月22日·5 分钟