Microsoft ve Hugging Face araştırmacıları, ajanların araç çağrıları yerine terminal veritabanı durumunu doğrulayan ThinkingBox-Bench referansını, çalıştırılabilir 0/1 kontrollerini GRPO (Group Relative Policy Optimization) ödül fonksiyonu olarak kullanacak şekilde uyarladılar. Eğitim havuzu, temel modelin (Qwen3.8-27B) başarı olasılığını offline olarak ölçerek 'zor' ve 'orta' zorluk bandına giren görevlerle oluşturuldu; referans kümesindeki 507 görev hiçbirinin eğitime dahil edilmedi. 50 GRPO adımı sonucunda modelin her denemede başarı sağladığı görev sayısı 38’den 107’ye (7,5%’ten 21,1%’e) çıktı, ortalama başarı ise %51,70’tan %60,78’e yükseldi.