# تنظیم Qwen3.8‑27B با یادگیری تقویتی، موفقیت تکرارپذیرش را افزایش داد

> پس از 50 گام آموزش با سیاست آفلاین، شمار کارهایی که Qwen3.8‑27B در بنچمارک 507‌وظیفه‌ای ThinkingBox‑Bench همیشه درست انجام داد، از 38 به 107 رسید.

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

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.

## حقایق

- آموزش با 50 گام GRPO و روی مجموعه‌ای شامل 187 کارِ انتخاب‌شده به‌صورت آفلاین انجام شد
- تعداد کارهایی که در هر 20 تلاش درست انجام شدند، از 38 به 107 افزایش یافت

## 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.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-22