# RL-Feintuning macht Qwen3.8‑27B im ThinkingBox-Test zuverlässiger

> Nach 50 Schritten mit relativ zu einer Offline-Policy durchgeführtem Training stieg die Zahl der Aufgaben, die Qwen3.8‑27B stets korrekt löste, im ThinkingBox‑Bench mit 507 Aufgaben von 38 auf 107.

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

Microsoft und Hugging Face haben den Code für ThinkingBox‑Training auf GitHub veröffentlicht. Sie nutzten eine aus Datenbankzustandsprüfungen abgeleitete Belohnung, um das Modell Qwen3.8‑27B zu optimieren. Nach 50 GRPO-Schritten stieg die pass@1-Rate des Modells von 51.70% auf 60.78%. Die Zahl der Aufgaben, die es bei allen 20 Versuchen richtig löste, wuchs von 38 (7.5%) auf 107 (21.1%). Gleichzeitig ging die Abdeckung der Aufgaben, die es mindestens einmal korrekt löste, leicht zurück.

## Die Fakten

- Das Training umfasste 50 GRPO-Schritte mit einem Pool aus 187 offline ausgewählten Aufgaben
- Die Zahl der Aufgaben mit 20/20 korrekten Versuchen stieg von 38 auf 107

## Warum es wichtig ist

Für Unternehmen, die zuverlässige Datenbankaktualisierungen benötigen, ist es mit dem feinabgestimmten Modell etwa dreimal so wahrscheinlich, eine Aufgabe jedes Mal korrekt zu lösen.

## Quellen und Referenzen

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

Zuletzt aktualisiert: 2026-10-22