# 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.

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

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.

## Les faits

- L’entraînement a utilisé 50 étapes de GRPO sur un ensemble de 187 tâches sélectionnées hors ligne
- Le nombre de tâches réussies 20 fois sur 20 est passé de 38 à 107

## 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.

## Sources et références

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

Dernière mise à jour: 2026-10-22