Microsoft и Hugging Face опубликовали на GitHub код ThinkingBox‑Training. Для дообучения модели Qwen3.8‑27B они использовали вознаграждение, основанное на проверках состояния базы данных. После 50 шагов GRPO показатель pass@1 вырос с 51.70% до 60.78%, а число задач, которые модель правильно выполняла во всех 20 попытках, — с 38 (7.5%) до 107 (21.1%). При этом немного снизилась доля задач, которые модель решила хотя бы один раз.
Почему это важно
Для компаний, которым важно надежно обновлять базы данных, дообученная модель примерно втрое чаще выполняет задачу правильно при каждой попытке.
