Microsoft और Hugging Face ने GitHub पर ThinkingBox‑Training कोड जारी किया। उन्होंने Qwen3.8‑27B मॉडल को फाइन-ट्यून करने के लिए डेटाबेस की स्थिति की जाँच से मिलने वाले रिवॉर्ड का इस्तेमाल किया। 50 GRPO चरणों के बाद, मॉडल का pass@1 51.70% से बढ़कर 60.78% हो गया और 20 में से हर प्रयास में सही किए गए टास्क की संख्या 38 (7.5%) से बढ़कर 107 (21.1%) हो गई। इस सुधार के साथ कम-से-कम एक बार सही किए गए टास्क का कवरेज थोड़ा घटा।
यह क्यों मायने रखता है
जिन कंपनियों को डेटाबेस में भरोसेमंद अपडेट चाहिए, उनके लिए फाइन-ट्यून किया गया मॉडल किसी टास्क को हर बार सही करने की करीब तीन गुना अधिक संभावना रखता है।
