ThinkingBox transforma o estado final do banco em recompensa para agentes
A proposta verifica o que o agente alterou e usa esse resultado no treinamento. Repetibilidade e cobertura continuam sendo medidas distintas.
Quando o agente devolve a tarefa como concluída, o banco pode registrar outra coisa. O ThinkingBox usa essa diferença como sinal de treinamento: verifica o estado final produzido pelo agente e transforma o resultado em recompensa.
No artigo publicado em 22 de outubro de 2026, Tuhin Kundu e equipe descrevem verificações determinísticas para a maioria das tarefas. Alterações erradas, ausentes ou extras reprovam a execução. Requisitos que o banco não representa adequadamente podem recorrer a um avaliador de linguagem. Cada tentativa recebe um ambiente isolado.
O treinamento relatado aumentou a repetibilidade no conjunto de avaliação, mas reduziu ligeiramente a cobertura de tarefas resolvidas ao menos uma vez. Os conjuntos de treino e avaliação são separados, embora compartilhem infraestrutura e estilo de tarefa. Isso limita a conclusão sobre transferência para outros ambientes.
Eu colocaria o critério de conclusão junto do efeito esperado no sistema, registrando o estado que comprova a entrega. A escolha operacional ainda aberta é quais requisitos podem virar verificações executáveis e quais precisam de julgamento.
Fonte: Tuhin e equipe, Microsoft e Hugging Face, artigo sobre ThinkingBox-Training. O projeto tem parceria com Toloka.