ThinkingBox Latih Ejen AI Melalui Rekod Pangkalan Data: Mengukur Kerja yang Benar-benar Selesai

Apabila ejen AI melaporkan sesuatu tugasan sudah selesai, apakah bukti yang patut diperiksa? Pada 22 Oktober 2026, Microsoft dan Hugging Face memperinci penggunaan ThinkingBox untuk latihan berasaskan semakan keadaan akhir pangkalan data. Perkembangan ini menghubungkan penilaian hasil kerja dengan cara model belajar.

Bagi pembangun Malaysia yang sedang meneroka automasi tempahan, khidmat pelanggan atau pentadbiran dalaman, persoalannya dekat dengan kerja harian: adakah rekod yang betul berubah, dan bolehkah hasil itu diulang dengan konsisten?

Daripada alat penilaian kepada isyarat latihan

Menurut penerangan bersama tersebut, pemeriksaan yang boleh dijalankan oleh perisian digunakan sebagai ganjaran latihan pada tugasan di luar ThinkingBox-Bench. Pasukan itu melatih Qwen3.8-27B menggunakan kaedah pembelajaran pengukuhan GRPO selama 50 langkah.

Dalam penilaian mereka, kejayaan purata meningkat daripada 51.70% kepada 60.78%. Bilangan tugasan yang berjaya pada kesemua 20 percubaan pula meningkat daripada 38 kepada 107. Namun, bilangan tugasan yang berjaya sekurang-kurangnya sekali menurun daripada 453 kepada 446. Peningkatan konsistensi itu datang bersama sedikit pengurangan liputan kebolehan.

Sumber: Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox.

Mengapa rekod akhir menjadi ukuran

Artikel pengenalan ThinkingBox pada 3 Oktober menerangkan ujian terhadap 507 aliran kerja perniagaan. Setiap tugasan diulang 20 kali daripada keadaan sistem yang bersih. Pemeriksaan menilai rekod akhir dan kesan sampingan tindakan ejen.

Tiga ukuran dibezakan: kejayaan purata semua percubaan, tugasan yang berjaya sekurang-kurangnya sekali dalam 20 percubaan, dan tugasan yang berjaya dalam kesemua 20 percubaan. Perbezaan ini membantu pembaca memahami sama ada model mempunyai kebolehan sesekali atau menunjukkan hasil berulang dalam ujian.

Sebagai penjelasan editorial, bayangkan pembantu tempahan yang menulis pengesahan mesra tetapi mengemas kini tarikh pada rekod pelanggan lain. Semakan mutu bahasa sahaja tidak menjawab sama ada tugasan itu diselesaikan dengan betul.

Sumber: The Agent Said It Was Done. The Database Disagreed..

Apa yang disediakan kepada pembangun

Repositori rasmi ThinkingBox Training menyediakan integrasi latihan, pemilihan tugasan dan penilaian model selepas latihan. Setiap episod menggunakan sistem belakang baharu, alat MCP dan pengguna simulasi. Kebanyakan ganjaran datang daripada pemeriksaan deterministik terhadap keadaan akhir; sesetengah keperluan menggunakan penilai tambahan dengan rubrik terhad.

Dokumentasi menyasarkan Linux dan Python 3.12. Konfigurasi rujukan latihan penuh menggunakan tiga nod dengan lapan GPU H100 setiap nod. Oleh itu, konfigurasi tersebut memerlukan sumber pengkomputeran yang besar.

Bagi pembaca yang baru belajar, cadangan editorial ialah memahami struktur tugasan dan pemeriksaannya dahulu. Membaca bagaimana keputusan diterima atau ditolak boleh menjadi latihan yang lebih terarah sebelum mempertimbangkan eksperimen latihan model sendiri.

Sumber: ThinkingBox Training — Executable database-state rewards for multi-turn agent post-training.

Batas keputusan yang perlu dibaca bersama

Pasukan penyelidik menjelaskan bahawa set latihan dan penilaian berasingan masih berkongsi rangka kerja serta beberapa unsur persekitaran. Kumpulan 187 tugasan latihan sebenar juga bukan set contoh awam. Ini mengehadkan tafsiran tentang kebolehulangan eksperimen dan pemindahan kebolehan ke sistem lain.

Tafsiran editorialnya: keputusan 20 daripada 20 ialah pemerhatian dalam percubaan yang direkodkan. Ia tidak menjamin semua permintaan pelanggan seterusnya akan berjaya. Pasukan yang menilai penggunaan sebenar masih perlu menentukan keadaan yang belum diuji, termasuk permintaan kabur, rekod tidak lengkap dan kegagalan sambungan.

Sumber: Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox.

Cadangan editorial untuk pasukan di Malaysia

Mulakan dengan satu aliran kerja kecil dalam persekitaran ujian, misalnya menukar tarikh tempahan bilik mesyuarat. Gunakan data rekaan dan tentukan dahulu hasil yang dibenarkan: tempahan sasaran berubah, pemilik kekal sama, dan tempahan lain tidak disentuh. Takrif ini menjadikan semakan lebih konkrit.

Sediakan arahan Bahasa Malaysia, bahasa Inggeris dan campuran kedua-duanya sebagai variasi ujian tempatan. Masukkan juga arahan yang tidak lengkap supaya pasukan boleh menilai sama ada ejen meminta penjelasan sebelum bertindak. Ini cadangan penilaian editorial, bukannya dakwaan bahawa ThinkingBox sudah mengesahkan prestasi bahasa tersebut.

Ulang senario daripada keadaan awal yang sama. Catat keputusan rekod, perubahan tambahan dan sebab kegagalan secara berasingan daripada jawapan akhir ejen. Untuk projek portfolio, bentangkan satu kegagalan yang ditemui, pemeriksaan yang mengesannya dan pembaikan yang diuji semula.

Sebelum memperluas skop, tetapkan tugasan yang perlu diserahkan kepada manusia dan cara memulihkan perubahan tersilap. Hasil projek yang berguna ialah demonstrasi dengan bukti yang boleh diperiksa: permintaan asal, keadaan sebelum tindakan, keadaan selepas tindakan dan keputusan ujian.

Rujukan

• Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox — 2026-10-22
• ThinkingBox Training — Executable database-state rewards for multi-turn agent post-training
• The Agent Said It Was Done. The Database Disagreed. — 2026-10-03

Disediakan secara automatik dengan bantuan AI berdasarkan sumber yang dipautkan. Semakan sumber: 2026-10-25. Gambar utama ialah ilustrasi janaan AI, bukan foto peristiwa sebenar.