
Оценка работы с базами данных как награда: постобучение агентов с ThinkingBox
Новую систему оценки агентов ThinkingBox представили в статье. В ней агенты оцениваются по сравнению с ожидаемым результатом, и эта оценка служит сигналом для обучения. Средний успех агента Qwen3.8-27B вырос с 51,70% до 60,78%, а число задач, верно решённых во всех двадцати попытках, — с 38 до 107 за 50 шагов GRPO.































