AI图鉴

AI图鉴首页 › AI 资讯 › 将数据库分级转换为 RL 奖励:使用 ThinkingBox 进行后训练的 Ag

将数据库分级转换为 RL 奖励:使用 ThinkingBox 进行后训练的 Agents

来源:HuggingFace · 发布时间:10-23 · 由 AI图鉴每小时自动聚合

本条资讯的摘要暂未整理出来,可点击下方按钮查看原文;本站每小时自动补充中文摘要。

将数据库分级转换为 RL 奖励:使用 ThinkingBox 进行后训练的 Agents

这是第一个博客文章的续篇,数据库已不同意。 思考盒式训练现在可以在GitHub上使用。

我们通过比较最终数据库状态和预期结果,建立了"思维Box"来评价agent的工作。 然后我们用同样的可执行信号作为奖励训练任务之外 ThinkingBox -Bench。 Qwen3.8-27B的平均成功率从51.70%上升到60.78%,而所有20次尝试中完成的正确任务从38次上升到107次,共50次GRPO步骤。

图1. ThinkingBox将终端数据库状态的可执行检查转换为针对ThinkingBox-Bench以外任务的agents训练后奖励。

这是Microsoft和Hugging Face的联合博客,特别感谢来自Microsoft的Mirco Milletari和Xiang Jiang,来自Hugging Face的Sergio Paniego和我们前实习生Zhuochun Li(匹兹堡大学)共同撰写/审查工作。

我们建造了"思维盒" 捕捉agents 说它们完成的时候没有。

它的507项任务中,每个在 ThinkingBox-Bench (our 基准测试 data set) 将agent 手拿一个真正的后端和一套工具,让它工作,然后检查数据库中真正改变的东西。 在第一篇文章中,我们发现一个模型关闭客户的票解决了,而它的背后的承运人例外仍然开放。 9个有胜任能力的工具呼叫,一个错误的数据库行。

然后我们注意到我们建造的东西。 对于大多数任务,可执行的检查可以从最终数据库状态直接返回1或0. 这不仅仅是一个年级生。 这可以是奖励功能。+

因此,我们从基准测试以外的 ThinkingBox-format 任务中构建了一个训练池,并将它们可执行的成果作为奖励。 捕捉是选择哪些任务适合agent训练:大多数任务或者已经解决,或者对前面的模型来说是无望的,两者都教不了什么。

困难与政策相关:对目前的模式来说,只有在该模式学习之前,一项任务才艰巨。

我们称之为离线政策方面的困难。 我们估计每项任务的成功概率,一次是在培训前采用基本政策,然后在整个运行过程中固定选定的培训人才库。

训练后发生了什么

我们利用离线政策关系困难来建造训练池,然后将Qwen3.8-27B与GRPO进行了50步的微调。 为了概括,我们评价了507 基准测试任务的每个任务20次。 通过@1 衡量所有10 140次尝试的平均成功率。 通过@ 20 度量至少一次解决的任务份额。 观察20/20测量了每次有记录的尝试所完成的任务比例。

表1. Qwen3.8-27B在离线选择的训练池上50步GRPO前后的成绩。

培训大大提高了可重复取得的成功,至少一次的覆盖率略有下降。 其余部分解释我们如何选择练习任务,建立奖励循环,并衡量这种权衡。

一项任务有什么改进?旅行者要求房间降级,但公司政策首先需要经理的批准。 训练前,agent在20次尝试中的15次尝试中更改了预订,并未经批准而发放退款。 在RL 微调之后,它在所有20个中都保留了预订和支付状态。

图2. 一项企业旅馆订房任务,每个模型20次尝试。 基座Qwen3.8-27B型号在15次尝试中未经管理者批准而更改预订。 RL微调模型保存了全部20个的预订和支付状态;所有预期记录都匹配到19个。

目录

赶时间?头条结果在以上。 实施在运行培训堆。

基准测试在60秒内发现了什么

在他们留下的数据库记录上思考Box-Bench的成绩agents. 其507项任务中的每一项都开始一个真正的后端,手握agent一套MCP工具以及一个模拟的有私人背景的LLM用户,最后会运行对终端数据库状态的可执行检查。 检查与后端需要正确的记录相对应,而不是特定的工具调用。 这促使模型发现可能的新解决方案,而不是“重新发现”人支持的解决方案,这虽然是正确的,但可能不够理想。

在第一篇文章中,我们运行了18个模型,每一个基准测试20倍,并报告一个漏洞,标题精度隐藏。 Kimi-K3至少一次解决了93.89%的任务,但在所有有记录的20次尝试中只完成了68次(13.41%)的任务。 Claude 电话 Opus 5颠倒了它:覆盖面缩小,更加一致。

更大的或更好的模型没有关闭。 Claude Opus 5.5在传球@1上得分比Claude Opus 5高0.66个百分点,然而在所有20次尝试上却通过了完全相同数量的任务,241次。 头条准确度的提高没有增加可靠性。

如果您选择了触及生产数据库记录的工作模型,不应单独阅读 pass@ 1。 观察20/20 显示任务在每次尝试上都成功,这更接近生产可靠性的要求。

可执行的终极状态判决也是培训奖励。 在解开训练圈之前,这里是密封的基准测试上的变化。

结果:可信赖性一栏移动

在训练Qwen3.8-27B后,我们评价了它从未训练过的507任务基准测试上选定的第50步检查站。 507项任务代表了分布外测试集:他们的域,数据库,以及大多数MCP工具在RL训练中都没有遇到。

表2. 我们第一个博客表2的选定模型和我们针对不同域和总体的微调模型,按域分列的思维Box-Bench通过@1 (%). 观测到的20/20数字超过整个基准测试,有507项任务。 对20次重复审判的所有507项任务对每个模式进行评价。 粗体标记纵队队长;下划线标记跑步者。

标题结果为表1中观测到的20/20行。 一个27B模型最初在每次尝试上完成38(7.5%) ThinkingBox-Bench,现在在每次尝试上完成107(21.1%),几乎是3次。 相比之下,观测到的Kimi-K3的20/20为68,GPT-5.4为128,GPT-6 Astra为231,Claude Opus 5.5为241.

平均成功率和重复率产生不同的订单。 在表2中,我们注意到GPT-5.6 Sol在传球@1上的得分略高于经RL微调的Qwen3.8-27B(61.91%对60.78%),但对所有20次录制的尝试都通过了较少的任务:82对107. Claude Sonnet 4.6在传球@1上得分较低,达到59.19%,然而每次都通过几乎相同数量的任务,达到102. 光靠衡量都无法掌握整个情况。

观察到的模式与磨损是一致的:可重复的成功上升,而至少一次的覆盖率略有下降。 这是与先前的工作有关的。 一种解释是概率分布向反复运行的轨迹移动,而一些低概率路径却消失了。

总的来说,这一模式并没有扩大。 它变得更加可重复。 下一个问题是这些收益落到哪里。

收益落地之处

图3. 域级基础分数,RLFT分数,百分点变化。 绿色变化单元格显示增益,红色单元格显示下降;蓝色阴影表示每个公尺内的得分水平。

Pass@1和观察到的20/20在所有五个领域都上升。 Pass@20有好有坏:在新银行和咨询方面有所增加,但在零售、旅行和汽车保险方面却有所下降。 汽车保险的宽度损失最大(-7.0分),零售业的20/20收益最大(+24.5分)。

哪些可依赖性成本

首个使用简单数学定价的帖子一致性:将全部20跑运动的估计费用除以模型每次都通过的任务数量。

每个可靠任务的成本 = 507x20项运动的估计费用

对经过微调的检查站的量度符号用法进行同样的成本计算:

表3. 基础和RL微调的估计评价成本和可靠性Qwen3.8-27B。 每一次成功尝试的费用将估计的运动费用总额(507x20)除以通过尝试的次数。

按每个可靠任务8.00美元计算,微调模型接近GPT-5.4(6.80美元),GPT-6 Astra(7.45美元)和Claude Opus 5.5(7.80美元)在伴奏比较中。

单试视图

图4 每一次成功尝试通过的价格成本@1.

图4. 金箭追踪Qwen3.8-27B基价位置到RLFT(钻石):通过@1从51.70%上升到60.78%,而每次成功尝试的估计费用从0.177下降到0.139。 环绕的圈子标志着帕雷托成本前沿。

搬迁后将微调后的检查站设置在靠近GPT-5.6 Sol的地方,不过GPT-5.6 Sol仍然比较便宜,在通行证上稍高一些@1. 我们纸上定价的4个型号已经超出了规划范围

美元价值是一种比较服务指数,不是发票或云帐。 为经过微调的检查站提供服务与基地模式相同。 计算包括模型推论费用,不包括管理培训数据集的培训和政策预测费用。

这些结果告诉我们有什么变化。 接下来的章节解释训练循环,以及为什么选择正确的任务最为重要。

培训循环

图5 六个阶段,现在的背景是:候选任务输入,前三个阶段一度下线,最后三个阶段重复训练中每个小组。 对训练有素的检查站进行比对 " 思考箱-奔驰 " 的评价。

选拔一度,离线,对照基础政策模式运行,即在此情况下为Qwen3.8 27B;培训后使用已整理的固定池。 图5中破碎的琥珀箭头标志着我们没有走的路:在训练运行中重新测试困难。

每一次推出都是完整的剧集,而不是文本的完成。 它获得一个新鲜的后端,一个孤立的MCP会话,以及GPT-5 Chat作为模拟用户。 大多数奖励来自决定性的终端状态检查;少数狭义要求可以引用配置的法官(GPT-5 Chat).

培训和评价必须同样解释Qwen的产出。 这包括推理提取,工具调用,参数打字,渲染,以及孤立的任务状态。 否则,奖励与评估的奖励标准不同。 共享解释码在教练/core/tb interpret.py中。

参考运行时,我们用符号-意为的GRPO在187项任务上运行了全参数RL微调Qwen3.8-27B. 每次更新共产生18组8集,即144集,共24个H100s. 训练与参数同步运行,优化器卸载;亚当W使用1e-6的学习率和零重量衰减。 我们训练了50步

零变种组在训练期间被替换为DAPO型。 系统错误被单独处理:后端超时不是不正确的agent结果,所以受影响的群体被重新填充,而不是作为失败得分。

这解释了保留的任务是如何训练的。 剩下的问题是哪些任务进入了培训池。

离线政策 - 相对困难

在深入选择训练任务之前

思维盒-奔驰任务没有被列入RL训练池。 基准测试专用于评价。

ThinkingBox-Bench相对于RL训练池来说是分布外的:它的域,数据库,政策和大多数工具在RL训练中都没有遇到。 这两套仍然共享 ThinkingBox 框架,模拟用户机械,可执行的终端状态分级,一些通用工具,以及类似的任务风格。 这些共同要素限制了转让索赔的范围。

为什么选题要归结到一个关于GRPO的算术事实。 如果全部8个推出失败,奖励矢量为[0,0,0,0]. 如果全部8项都成功,则为[1,1,1,1,1]. 无论在哪种情况下,在集团内部集中,都不会产生任务回报优势,因为没有任何轨迹比另一轨迹好。

[0,0,0,1,1,1,1]等混合组提供对比的GRPO可以学习。 这种区别

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

StylMorph

StylMorph 提供 AI 图片风格转换及浏览器端图像编辑、对比、拼图、气泡和元数据工具。访客可免费试用

AITraining.jobs

AITraining.jobs 汇总 AI 训练、评测和数据标注等岗位,按平台、角色和地区整理招聘信息与薪酬

ImageToSTL

ImageToSTL 是在线 AI 图片转 3D 工具,可将 PNG 或 JPG 照片转换为适合 3D 打印

NexTerm

NexTerm 支持终端、文件、Docker、数据库和 AI 助手,可安装在桌面或自行部署。

相关免费羊毛

Claude

免费版:Claude 模型日常使用

DigitalOcean

DigitalOcean 新客 $200 / 60 天试用

Oracle Cloud

Oracle Cloud 永久免费 + 新客 $300 试用

Railway

免费额度 $5/月(可部署应用)

同源资讯

OlmoEarth v1.3:最先进嵌入整个行星

HuggingFace · 10-23

NVIDIA Kumo 关系超常操作监督机器学习关系数据,不需要培训

HuggingFace · 10-22

阅读原文(huggingface.co)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 587 款 AI 工具分类导航 · 每日 AI 热门项目与动态