AI TrackerApp laden
← Alle News
ModelleOpen Source

RadixArk veröffentlicht DaisyRose-27B, ein für Agentenaufgaben feinabgestimmtes Qwen3.8-27B, das Terminal-Bench 4.1 von 5,6 % auf 12,0 % steigert

RadixArk zufolge ist DaisyRose-27B sein erstes Modell. Es basiert auf Qwen3.8-27B und wurde mit Reinforcement Learning für Agentenaufgaben mit langem Zeithorizont trainiert; die Sitzungen können bis zu 1 Million Tokens umfassen. Das Training nutzte laut RadixArk rund 1.200 kuratierte Aufgaben, die gemeinsam mit Eigent AI erstellt wurden, und lief 18 Tage lang auf 144 H200-GPUs mit dem Open-Source-Framework Miles.

Dies sind eigene Ergebnisse von RadixArk, ermittelt mit dem internen mini-swe-agent-Testsystem:

  • Terminal-Bench 4.1 pass@1: 12,0 %, gegenüber 5,6 % beim ursprünglichen Qwen3.8-27B. RadixArk zufolge erzielt das Modell auch bei jedem anderen aufgeführten Benchmark höhere Werte als das Original (Terminal Bench 2.1, DeepSWE v1.1, SWE Bench Pro v2, HLE text-only, IFBench und GPQA Diamond).
  • Trainingskosten: RadixArk zufolge erreichte das interne Trainings-Backend eine Auslastung von 37 % der Modell-FLOPs, verglichen mit 16 % beim Open-Source-Trainer auf Megatron-Basis. Für dasselbe Training seien dadurch 57 % weniger GPU-Zeit nötig.
  • Sandboxes: Laut RadixArk wurden für das Projekt rund 944.000 Sandboxes auf dem eigenen Dienst ausgeführt, der auf dem Open-Source-Projekt AgentENV basiert. Die Kosten seien etwa 80 % niedriger als bei beliebten Cloud-Sandbox-Anbietern.

BF16-, FP8- und NVFP4-Checkpoints sind auf Hugging Face verfügbar. RadixArk zufolge bietet das Unternehmen Teams, die spezialisierte Modelle entwickeln möchten, denselben Ansatz an.

News wie diese als Push.

AI Tracker benachrichtigt dich, wenn sich bei deinen Tools etwas ändert.

App laden