Microsoft y Hugging Face publicaron en GitHub el código de ThinkingBox‑Training. Para ajustar el modelo Qwen3.8‑27B, usaron una recompensa basada en comprobaciones del estado de la base de datos. Después de 50 pasos de GRPO, la tasa pass@1 del modelo subió del 51.70% al 60.78%, y la cantidad de tareas que resolvió correctamente en los 20 intentos aumentó de 38 (7.5%) a 107 (21.1%). La mejora vino acompañada de una modesta caída en la cobertura de tareas acertadas al menos una vez.
Por qué importa
Para las empresas que necesitan actualizar bases de datos de forma fiable, el modelo ajustado tiene unas tres veces más probabilidades de completar una tarea correctamente en todos los intentos.
