Microsoft och Hugging Face har släppt koden ThinkingBox‑Training på GitHub. De finjusterade modellen Qwen3.8‑27B med en belöning baserad på kontroller av databastillstånd. Efter 50 GRPO-steg ökade modellens pass@1 från 51.70% till 60.78%, och antalet uppgifter som den klarade vid samtliga 20 försök steg från 38 (7.5%) till 107 (21.1%). Förbättringen kom samtidigt som andelen uppgifter modellen klarade minst en gång minskade något.
Varför det spelar roll
För företag som behöver tillförlitliga databasuppdateringar är den finjusterade modellen ungefär tre gånger så benägen att klara en uppgift varje gång.
