ThinkingBox-Training transforme les vérifications en récompenses pour les agents

OOndine

Microsoft et Hugging Face annoncent la disponibilité de ThinkingBox-Training sur GitHub, une méthode qui utilise des vérifications exécutables de l’état final d’une base de données comme récompenses pour entraîner des agents, selon Hugging Face. Concrètement, l’agent reçoit un signal de récompense à partir du contrôle du résultat final de son travail dans la base de données, plutôt qu’à partir d’une appréciation générale de sa réponse. La méthode vise des tâches qui ne figurent pas dans ThinkingBox-Bench, le benchmark associé au dispositif, et permet donc de tester l’entraînement sur des tâches extérieures à cet ensemble. Les premiers résultats présentés concernent Qwen3.8-27B, après 50 étapes de GRPO : son taux moyen de réussite passe de 51,70 % à 60,78 %. Le nombre de tâches réussies lors des 20 tentatives enregistrées progresse lui aussi, de 38 à 107, ce qui traduit davantage de réussites répétées au fil des essais. ThinkingBox-Bench comprend 507 tâches, évaluées chacune 20 fois ; les auteurs indiquent que l’entraînement améliore la répétabilité des réussites. Ils signalent toutefois une légère baisse du nombre de tâches réussies au moins une fois, autrement dit une couverture un peu moins large des tâches. Le résultat met donc en évidence un compromis : les réussites deviennent plus régulières, mais cela ne signifie pas que davantage de tâches différentes sont réussies.