RLによる追加学習でQwen3.8‑27BのThinkingBox成功率が向上

オフライン方策に基づく学習を50ステップ行った結果、507タスクのThinkingBox‑Benchで、20回すべて正解したタスク数が38から107に増えた。

短信著者： OossaOossa公開日: 2026年10月22日 22:39 UTC1 分で読める

MicrosoftとHugging Faceは、ThinkingBox‑TrainingのコードをGitHubで公開した。データベースの状態確認に基づく報酬を使い、Qwen3.8‑27Bモデルを追加学習した。GRPOを50ステップ実行したところ、pass@1は51.70%から60.78%に上昇し、20回の試行すべてで正解したタスク数は38（7.5%）から107（21.1%）に増えた。一方で、少なくとも1回は正解したタスクの割合はわずかに低下した。