让 AI 改一笔酒店订单，它可能嘴上说“处理好了”，后台却绕过审批、直接退款。ThinkingBox 的做法很直接：任务结束后检查数据库里的订单、付款和审批记录是否符合预期，并把这个可执行评分直接变成强化学习（RL）奖励——做对得分，模型便更倾向重复这类操作。
团队用 GRPO——比较同一任务多组结果来更新模型的强化学习方法——对 Qwen3.8-27B 做了 50 步后训练。作者自述，在 507 个任务、每题运行 20 次的评测中，平均成功率从 51.70%升至 60.78%；20 次全对的任务从 38 个增至 107 个。酒店降级案例里，训练前模型有 15 次绕过经理批准，训练后 20 次都保留了原订单和付款状态。
代价也值得留意：至少成功一次的任务从 453 个降至 446 个。换句话说，这套训练明显提高了稳定性，却可能略微收窄“偶尔能做成”的任务范围。