MicrosoftとHugging Face、ThinkingBoxでデータベース検証をRL報酬に変えQwen3.8-27Bをファインチューニング

入選の記録

入選二回の合計 126 ≥ 基準の 2 倍 120

情報源の区分

公式・一次情報、この区分の基準は 60 点

予備審査

通過：AI Agent训练与评测方法

推薦理由

データベース終状態の検証をRL報酬にする訓練手順と前後の比較データが示されており、他の状態を持つエージェントタスクにも応用できる。

採点はモデルが同じ基準で独立に二回行い、満点は 100。二回の合計が基準の 2 倍に届いたものだけが入選します。基準は情報源の区分ごとに決めています。