AI TrackerTélécharger
← Toutes les actus
ModèlesOpen source

RadixArk lance DaisyRose-27B, un Qwen3.8-27B optimisé pour les tâches agentiques qui fait passer son score à Terminal-Bench 4.1 de 5,6 % à 12,0 %

RadixArk indique que DaisyRose-27B est son premier modèle. Basé sur Qwen3.8-27B, il a été entraîné par apprentissage par renforcement sur des tâches agentiques à long horizon, avec des sessions pouvant atteindre 1 million de tokens. L’entreprise affirme avoir utilisé environ 1 200 tâches sélectionnées, créées avec Eigent AI, sur 18 jours et avec 144 GPU H200, grâce à son framework open source Miles.

Voici les résultats obtenus par RadixArk avec son propre banc d’essai mini-swe-agent interne :

  • Terminal-Bench 4.1 pass@1 : 12,0 %, contre 5,6 % pour le Qwen3.8-27B d’origine. RadixArk affirme aussi obtenir de meilleurs scores que le modèle d’origine sur chacun des autres benchmarks cités (Terminal Bench 2.1, DeepSWE v1.1, SWE Bench Pro v2, HLE text-only, IFBench et GPQA Diamond).
  • Coût de l’entraînement : RadixArk affirme que son infrastructure d’entraînement interne a atteint une utilisation des FLOPs du modèle de 37 %, contre 16 % pour le trainer open source basé sur Megatron, ce qui réduit de 57 % le temps GPU nécessaire pour le même entraînement.
  • Environnements isolés : l’entreprise indique avoir exécuté environ 944 000 environnements isolés pour le projet sur son propre service, construit à partir du projet open source AgentENV, pour un coût environ 80 % inférieur à celui des fournisseurs populaires d’environnements isolés dans le cloud.

Des checkpoints BF16, FP8 et NVFP4 sont disponibles sur Hugging Face. RadixArk affirme proposer la même approche aux équipes souhaitant créer des modèles spécialisés.

Recevez ce genre d'actus en notification.

AI Tracker vous prévient dès que quelque chose change pour les outils que vous utilisez.

Télécharger l'app