# Il fine-tuning RL triplica i successi ripetibili di Qwen3.8-27B

> Dopo 50 passaggi di addestramento basato su policy offline, Qwen3.8-27B ha aumentato da 38 a 107 il numero di attività sempre corrette nel benchmark ThinkingBox, composto da 507 attività.

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

Microsoft e Hugging Face hanno pubblicato su GitHub il codice ThinkingBox-Training. Lo hanno usato per perfezionare il modello Qwen3.8-27B con una ricompensa ricavata dai controlli sullo stato del database. Dopo 50 passaggi GRPO, il pass@1 del modello è salito dal 51,70% al 60,78% e il numero di attività risolte correttamente in tutti e 20 i tentativi è passato da 38 (7,5%) a 107 (21,1%). Il miglioramento è stato accompagnato da un lieve calo della copertura, cioè della quota di attività risolte almeno una volta.

## I fatti

- L’addestramento ha previsto 50 passaggi GRPO su un insieme di 187 attività selezionate offline
- Le attività risolte correttamente in 20 tentativi su 20 sono aumentate da 38 a 107

## Perché conta

Per le aziende che hanno bisogno di aggiornare i database in modo affidabile, il modello perfezionato ha una probabilità circa tre volte maggiore di completare correttamente un’attività ogni volta.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-10-22