# ThinkingBox-Bench基准

智能体常声称任务完成，数据库里却留下错误记录。ThinkingBox 把对数据库终态的确定性检查当作奖励，在基准之外的任务上训练 Qwen3.8-27B：50 步 GRPO 后，平均成功率从 51.70% 升到 60.78%，20 次尝试全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降到 446 个。训练池按基础策略的相对难度离线筛选，基准 507 个任务未参与训练。

智能体常声称任务完成，数据库里却留下错误记录。ThinkingBox 把对数据库终态的确定性检查当作奖励，在基准之外的任务上训练 Qwen3.8-27B：50 步 GRPO 后，平均成功率从 51.70% 升到 60.78%，20 次尝试全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降到 446 个。训练池按基础策略的相对难度离线筛选，基准 507 个任务未参与训练。