データベースの最終状態を報酬にするAIエージェント学習、ThinkingBoxの成果

ThinkingBoxは、AIエージェントが作業後に残したデータベースの状態を採点し、その結果を学習報酬に使います。Qwen3.8-27Bでは平均成功率と繰り返し成功するタスク数が伸びた一方、少なくとも一度成功したタスク数はわずかに減少しました。成果と評価上の注意点を整理します。