# RL-finjustering ger Qwen3.8‑27B fler stabila resultat i ThinkingBox

> Efter 50 steg med träning relativt en offlinepolicy ökade antalet uppgifter som Qwen3.8‑27B alltid klarade från 38 till 107 av 507 uppgifter i ThinkingBox‑Bench.

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

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.

## Fakta

- Träningen omfattade 50 GRPO-steg på en uppsättning med 187 uppgifter som valts ut offline
- Antalet uppgifter som klarades 20 av 20 gånger ökade från 38 till 107

## 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.

## Källor och referenser

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

Senast uppdaterad: 2026-10-22