AI TrackerDownload
← Al het nieuws
ModellenOpen source

RadixArk brengt DaisyRose-27B uit, een op agenttaken afgestemde Qwen3.8-27B die Terminal-Bench 4.1 van 5,6% naar 12,0% tilt

RadixArk zegt dat DaisyRose-27B zijn eerste model is, gebouwd op Qwen3.8-27B en getraind met reinforcement learning voor agenttaken met een lange looptijd, met sessies tot 1 miljoen tokens. Het bedrijf zegt ongeveer 1.200 zorgvuldig samengestelde taken te hebben gebruikt, gemaakt met Eigent AI, gedurende 18 dagen op 144 H200-GPU's, met behulp van zijn open-source Miles-framework.

Dit zijn de eigen resultaten van RadixArk, behaald met zijn interne mini-swe-agent-harnas:

  • Terminal-Bench 4.1 pass@1: 12,0%, tegenover 5,6% voor de oorspronkelijke Qwen3.8-27B. RadixArk zegt ook hoger te scoren dan het origineel op alle andere benchmarks die het vermeldt (Terminal Bench 2.1, DeepSWE v1.1, SWE Bench Pro v2, HLE text-only, IFBench en GPQA Diamond).
  • Trainingskosten: RadixArk zegt dat zijn interne trainingsbackend een model FLOPs-utilisatie van 37% behaalde, tegenover 16% voor de open-source trainer op basis van Megatron, waardoor dezelfde training 57% minder GPU-tijd vergt.
  • Sandboxes: het bedrijf zegt voor het project ongeveer 944.000 sandboxes te hebben gedraaid op zijn eigen dienst, gebouwd op het open-sourceproject AgentENV, tegen ongeveer 80% lagere kosten dan populaire cloud-sandboxproviders.

BF16-, FP8- en NVFP4-checkpoints staan op Hugging Face. RadixArk zegt dezelfde aanpak aan te bieden aan teams die gespecialiseerde modellen willen.

Krijg nieuws als dit als pushmelding.

AI Tracker waarschuwt je zodra er iets verandert aan de tools die je gebruikt.

Download de app