# 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。

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

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。

## 事实

- 训练在187项离线筛选任务组成的数据池上进行了50步GRPO训练
- 20次尝试均答对的任务数从38项增至107项

## 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。

## 来源与参考

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

最后更新: 2026-10-22