Le fine-tuning par RL améliore la réussite répétée de Qwen3.8‑27B

Après 50 étapes d’entraînement relatif à une politique hors ligne, Qwen3.8‑27B a fait passer de 38 à 107 le nombre de tâches toujours réussies sur les 507 tâches de ThinkingBox‑Bench.

BrèvePar OossaPublié par Oossa: 22 octobre 2026 à 22:39 UTC1 min de lecture

1 sources ↓

Microsoft et Hugging Face ont publié le code ThinkingBox‑Training sur GitHub. Ils ont utilisé une récompense calculée à partir de vérifications de l’état de la base de données pour affiner le modèle Qwen3.8‑27B. Après 50 étapes de GRPO, son score pass@1 est passé de 51.70% à 60.78%, et le nombre de tâches réussies à chacune des 20 tentatives a augmenté de 38 (7.5%) à 107 (21.1%). Cette amélioration s’est accompagnée d’une légère baisse de la couverture des tâches réussies au moins une fois.

Pourquoi c'est important

Pour les entreprises qui ont besoin de mises à jour fiables de leurs bases de données, le modèle affiné a environ trois fois plus de chances de réussir une tâche à chaque fois.