一次情報で読む、いまのAI
← すべてのニュース
2026.10.23 FRI07:24 JSTMicrosoft

ThinkingBox DB検証でエージェントをRL学習

今日試せるGitHubでコード公開

エージェントが本当にDBを正しく更新できたかを点数にして、AIの業務失敗を減らす学習手法です。

目線

バックエンド連携エージェントの「口先だけの完了」を防ぎ、確実にDBを書き換える挙動を強化できる。

対象

自律型エージェントのファインチューニングを行う開発者

使える場面

  • 実行可能なDB検証環境を報酬関数としてGRPO強化学習を実施する
  • 一貫性の低いオープンモデルのタスク再現成功率を引き上げる

試すなら

GitHub上のThinkingBox-Trainingリポジトリを確認する

確認点

事後学習により一貫性は向上するが、解けるタスクの網羅性（pass@20）はわずかに低下する場合がある

背景

エージェントが作業完了を報告してもバックエンドのDB状態が更新されていない問題に対処するため開発された。

何が変わったか

  • ツール呼び出しの過程ではなく最終DB状態の成否判定を強化学習報酬に利用
  • 事前ポリシー相対難易度で選定したタスク群によりQwen3.8-27BをGRPO 50ステップ学習
  • 未学習の507タスクにおいて20回全成功数が7.5%から21.1%へ伸長

使える場面・影響

MCPツール等を用いた自律エージェントの業務信頼性を高める事後学習パイプラインとして活用できる。

試す前に確認

  • GitHubで学習スタックが公開済み

一次ソース