RadixArk เปิดตัว DaisyRose-27B โมเดลเอเจนต์ Qwen3.8-27B ที่ผ่านการฝึกหลังด้วย RL
DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency
RadixArk เปิดตัว DaisyRose-27B โมเดลแรกของบริษัท สร้างบน Qwen3.8-27B และฝึกด้วยการเรียนรู้แบบเสริมกำลังโดยใช้ Miles บนงานเอเจนต์ระยะยาวที่คัดสรร 1,200 งาน ภายใน 18 วันบน GPU H200 จำนวน 144 ตัว ค่า pass@1 บน Terminal-Bench 4.1 เพิ่มจาก 5.6% เป็น 12.0% โดยมีอัตราการเพิ่มขึ้นที่น้อยกว่าใน Terminal Bench 2.1, DeepSWE v1.1, SWE Bench Pro v2, HLE, IFBench และ GPQA Diamond เช็กพอยต์เผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 ในรูปแบบ BF16, FP8 และ NVFP4 และโมเดลยังคงสถาปัตยกรรม โทเค็นไนเซอร์ การเข้าใจภาพ และหน้าต่างบริบท 256K โทเค็นของ Qwen3.8-27B ไว้
โมเดลแรกของ RadixArk แสดงให้เห็นว่าชุดงานขนาดเล็กที่คัดสรรและแบ็กเอนด์ RL แบบอะซิงโครนัสสามารถยกระดับประสิทธิภาพของเอเจนต์ระยะยาวบนโมเดลฐานขนาด 27B ได้
แหล่งข่าว:Hugging Face Blog · huggingface.co