ThinkingBoxがDB検証結果をRL報酬化しエージェントを訓練

マイクロソフトとHugging Faceは、ビジネスエージェントの後学習用にThinkingBox TrainingをGitHubで公開した。ThinkingBoxは507タスクのベンチマークを持ち、エージェントの作業後に実データベースの最終状態を検査して合否を判定する。開発チームはこの検算結果を報酬関数へ転用し、モデルごとに難易度を推定して学習適性と判断した187タスクを選定した。Qwen3.8-27Bに50回のGRPO微調整を施したところ、見慣れないThinkingBox-Benchで平均成功率51.70%から60.78%へ向上し、20回すべての試行で成功するタスクは38件から107件へ増えた。一方、少なくとも1回成功するタスクはわずかに減り、再現性の高いパスが強化された半面、稀な成功経路が縮小した傾向が示された。費用面でも試行あたり成功率ベースの推定コストは21.4%下がり、1タスクを確実に完了させる推定コストは67.2%下がった。結果は、状態保持型のエージェントで実行可能な最終結果を報酬にすることにより、表面的な達成申告ではなく生産現場で求められる一貫した完了性が高まることを示した。