Microsoft ve Hugging Face, ThinkingBox‑Training kodunu GitHub’da yayımladı. Qwen3.8‑27B modeline ince ayar yapmak için veritabanı durum kontrollerinden türetilen bir ödül kullandılar. 50 GRPO adımının ardından modelin pass@1 oranı %51.70’ten %60.78’e yükseldi; 20 denemenin tamamında doğru yanıt verdiği görev sayısı ise 38’den (%7.5) 107’ye (%21.1) çıktı. Bu iyileşmeye, en az bir kez doğru yanıt verilen görevlerin kapsamındaki sınırlı bir düşüş eşlik etti.
Neden önemli
Veritabanında güvenilir güncellemelere ihtiyaç duyan şirketler için ince ayar uygulanmış modelin bir görevi her seferinde doğru tamamlama olasılığı yaklaşık üç kat daha yüksek.
