# Ajuste com RL triplica acertos consistentes do Qwen3.8‑27B

> Após 50 etapas de treinamento relativo a uma política offline, o Qwen3.8‑27B passou de 38 para 107 tarefas sempre corretas no benchmark ThinkingBox, com 507 tarefas.

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

A Microsoft e a Hugging Face publicaram no GitHub o código do ThinkingBox‑Training. As equipes usaram uma recompensa baseada em verificações do estado do banco de dados para ajustar o modelo Qwen3.8‑27B. Após 50 etapas de GRPO, a taxa pass@1 do modelo subiu de 51,70% para 60,78%, e o número de tarefas acertadas em todas as 20 tentativas aumentou de 38 (7,5%) para 107 (21,1%). A melhora veio acompanhada de uma pequena queda na cobertura de tarefas acertadas pelo menos uma vez.

## Os fatos

- O treinamento usou 50 etapas de GRPO em um conjunto de 187 tarefas selecionadas offline
- O número de tarefas acertadas em 20 de 20 tentativas subiu de 38 para 107

## Por que importa

Para empresas que precisam de atualizações confiáveis em bancos de dados, o modelo ajustado tem cerca de três vezes mais chances de acertar uma tarefa em todas as tentativas.

## Fontes e referências

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

Última atualização: 2026-10-22