# الضبط بالتعلّم المعزّز يحسّن ثبات Qwen3.8‑27B

> بعد 50 خطوة من التدريب النسبي إلى السياسة خارج الاتصال، رفع Qwen3.8‑27B عدد المهام التي أنجزها على نحو صحيح في كل مرة من 38 إلى 107، ضمن معيار ThinkingBox‑Bench الذي يضم 507 مهام.

Oossa · 2026-10-22 · https://oossa.com/ar/rl-fine-tuning-boosts-qwen3-8-27b-repeatable-success-on-thinkingbox-benchmark

أصدرت Microsoft وHugging Face شيفرة ThinkingBox‑Training على GitHub. واستخدمتا مكافأة مستمدة من عمليات التحقق من حالة قاعدة البيانات لضبط نموذج Qwen3.8‑27B. وبعد 50 خطوة من GRPO، ارتفعت نتيجة pass@1 للنموذج من 51.70% إلى 60.78%، كما ارتفع عدد المهام التي أجاب عنها إجابة صحيحة في المحاولات العشرين كلها من 38 (7.5%) إلى 107 (21.1%). وجاء هذا التحسن مقابل تراجع طفيف في نسبة المهام التي نجح النموذج في إنجازها مرة واحدة على الأقل.

## الحقائق

- استخدم التدريب 50 خطوة من GRPO على مجموعة من 187 مهمة اختيرت مسبقًا خارج الاتصال
- ارتفع عدد المهام التي نجح النموذج فيها في المحاولات العشرين كلها من 38 إلى 107

## لماذا يهم

بالنسبة إلى الشركات التي تحتاج إلى تحديثات موثوقة لقواعد البيانات، تزيد احتمالات إنجاز النموذج المضبوط للمهمة على نحو صحيح في كل مرة بنحو ثلاثة أضعاف.

## المصادر والمراجع

1. [Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox](https://huggingface.co/blog/microsoft/thinkingbox-training) – Hugging Face, 2026-10-22

آخر تحديث: 2026-10-22