将数据库评分转为 RL 奖励：用 ThinkingBox 后训练智能体

Microsoft 与 Hugging Face 将数据库终态的可执行判定转成 RL 奖励，用 50 步 GRPO 微调 Qwen3.8-27B，平均成功率由 51.70% 升至 60.78%。在 507 个 ThinkingBox-Bench 任务上，20 次重复均通过的任务由 38 个增至 107 个；训练栈已发布于 microsoft/thinkingbox-training。