# RL ince ayarı, Qwen3.8‑27B’nin ThinkingBox başarısını artırdı

> Çevrimdışı politika karşılaştırmalı eğitimde 50 adımın ardından Qwen3.8‑27B, 507 görevlik ThinkingBox‑Bench’te her seferinde doğru yaptığı görev sayısını 38’den 107’ye çıkardı.

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

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.

## Gerçekler

- Eğitimde, çevrimdışı seçilmiş 187 görevden oluşan bir havuzda 50 GRPO adımı kullanıldı
- 20 denemenin tamamında doğru yanıt verilen görev sayısı 38’den 107’ye yükseldi

## 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.

## Kaynaklar ve referanslar

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

Son güncelleme: 2026-10-22