# El ajuste con RL mejora los aciertos repetibles de Qwen3.8‑27B

> Tras 50 pasos de entrenamiento relativo a una política offline, Qwen3.8‑27B pasó de acertar siempre en 38 tareas a hacerlo en 107 de las 507 de ThinkingBox‑Bench.

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

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.

## Los hechos

- El entrenamiento usó 50 pasos de GRPO en un conjunto de 187 tareas seleccionadas offline
- Las tareas acertadas en los 20 intentos aumentaron de 38 a 107

## 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.

## Fuentes y referencias

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

Última actualización: 2026-10-22