# RL дообучение повысило стабильность Qwen3.8‑27B в ThinkingBox

> После 50 шагов обучения на данных офлайн-политики Qwen3.8‑27B увеличила число задач, выполненных без ошибок, с 38 до 107 из 507 в ThinkingBox‑Bench.

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

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.

## Факты

- Для обучения использовали 50 шагов GRPO на наборе из 187 задач, отобранных офлайн
- Число задач, выполненных правильно во всех 20 попытках, выросло с 38 до 107

## Почему это важно

Для компаний, которым важно надежно обновлять базы данных, дообученная модель примерно втрое чаще выполняет задачу правильно при каждой попытке.

## Источники и ссылки

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

Обновлено: 2026-10-22