AI TrackerTải ứng dụng
← Tất cả tin tức
Mô hìnhMã nguồn mở

RadixArk ra mắt DaisyRose-27B, mô hình Qwen3.8-27B được tinh chỉnh cho các tác vụ agent, nâng điểm Terminal-Bench 4.1 từ 5,6% lên 12,0%

RadixArk cho biết DaisyRose-27B là mô hình đầu tiên của công ty, được xây dựng trên Qwen3.8-27B và huấn luyện bằng học tăng cường trên các tác vụ agent có thời lượng dài, với phiên làm việc lên tới 1 triệu token. Công ty cho biết đã sử dụng khoảng 1.200 tác vụ được tuyển chọn, tạo cùng Eigent AI, trong 18 ngày trên 144 GPU H200, bằng framework mã nguồn mở Miles.

Đây là kết quả do RadixArk tự công bố, được chạy bằng bộ công cụ mini-swe-agent nội bộ:

  • Terminal-Bench 4.1 pass@1: 12,0%, tăng từ mức 5,6% của Qwen3.8-27B gốc. RadixArk cũng cho biết mô hình đạt điểm cao hơn bản gốc ở mọi benchmark khác mà công ty liệt kê (Terminal Bench 2.1, DeepSWE v1.1, SWE Bench Pro v2, HLE chỉ văn bản, IFBench và GPQA Diamond).
  • Chi phí huấn luyện: RadixArk cho biết hệ thống huấn luyện nội bộ đạt mức sử dụng FLOPs của mô hình là 37%, so với 16% của trình huấn luyện dựa trên Megatron mã nguồn mở, nhờ đó quá trình huấn luyện tương tự cần ít hơn 57% thời gian GPU.
  • Môi trường sandbox: công ty cho biết đã chạy khoảng 944.000 sandbox cho dự án trên dịch vụ riêng, được xây dựng dựa trên dự án AgentENV mã nguồn mở, với chi phí thấp hơn khoảng 80% so với các nhà cung cấp sandbox đám mây phổ biến.

Các checkpoint BF16, FP8 và NVFP4 có trên Hugging Face. RadixArk cho biết đang cung cấp cách tiếp cận tương tự cho các nhóm muốn xây dựng mô hình chuyên biệt.

Nhận tin như thế này qua thông báo đẩy.

AI Tracker báo cho bạn khi công cụ bạn dùng có thay đổi.

Tải ứng dụng