# RL फाइन-ट्यूनिंग से ThinkingBox पर Qwen3.8‑27B की लगातार सफलता बढ़ी

> 50 चरणों की ऑफलाइन-पॉलिसी-रिलेटिव ट्रेनिंग के बाद, 507-टास्क वाले ThinkingBox‑Bench पर Qwen3.8‑27B ने हर बार सही किए जाने वाले टास्क 38 से बढ़ाकर 107 कर दिए।

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

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।

## तथ्य

- 187 ऑफलाइन-चुने गए टास्क के समूह पर 50 GRPO चरणों की ट्रेनिंग की गई
- 20 में से 20 बार सही किए गए टास्क 38 से बढ़कर 107 हो गए

## 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।

## स्रोत और संदर्भ

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

अंतिम अपडेट: 2026-10-22