# 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。

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

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。

## 事実

- オフラインで選定した187タスクを使い、GRPOを50ステップ実行
- 20回すべて正解したタスク数は38から107に増加

## なぜ重要か

データベースを確実に更新する必要がある企業にとって、追加学習後のモデルはタスクを毎回正しく完了する可能性が約3倍高い。

## 出典と参考資料

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

最終更新: 2026-10-22