Microsoft和Hugging Face在GitHub上发布了ThinkingBox-Training代码。他们利用数据库状态检查生成的奖励信号，对Qwen3.8-27B模型进行微调。经过50步GRPO训练后，模型的pass@1从51.70%升至60.78%；在20次尝试中每次都答对的任务数，则从38项（7.5%）增至107项（21.1%）。与此同时，至少答对一次的任务覆盖率略有下降。
为什么重要
对于需要可靠更新数据库的企业来说，微调后的模型每次都能正确完成任务的概率约为原来的三倍。
RL微调提升Qwen3.8-27B在ThinkingBox基准测试中的稳定成功率
经过50步离线策略相对训练，Qwen3.8-27B在包含507项任务的ThinkingBox-Bench中，每次都答对的任务数从38项增至107项。
简讯作者： OossaOossa 发布日期: 1 分钟阅读
继续阅读
Oossa · 新闻简报
一周 AI，讲明白
每周一，用通俗的语言讲清值得知道的新闻。免费，无垃圾邮件。