Microsoft و Hugging Face کد ThinkingBox‑Training را در GitHub منتشر کردند. آن‌ها برای تنظیم دقیق مدل Qwen3.8‑27B از پاداشی مبتنی بر بررسی وضعیت پایگاه داده استفاده کردند. پس از 50 گام GRPO، نرخ pass@1 مدل از 51.70% به 60.78% رسید و تعداد کارهایی که در هر یک از 20 تلاش درست انجام داد، از 38 (7.5%) به 107 (21.1%) افزایش یافت. این پیشرفت با افتی جزئی در پوشش کارهایی همراه بود که مدل دست‌کم یک‌بار درست انجام می‌داد.
چرا مهم است
برای شرکت‌هایی که به به‌روزرسانی‌های مطمئن پایگاه داده نیاز دارند، احتمال اینکه مدل تنظیم‌شده هر بار یک کار را درست انجام دهد، حدود سه برابر بیشتر است.
