RadixArk、わずか1,200タスクのRLでQwen3.8の難関ベンチスコアを2倍超に
DaisyRose-27B: 1,200-task RL took Qwen3.8 from 5.6% to 12% on Terminal-Bench 4.1

RadixArkが初のモデルDaisyRose-27Bを公開した。Qwen3.8-27Bを基に、Milesで強化学習を施したもの。最大100万トークンの長期的エージェントタスクを1,200件厳選し、144台のH200 GPUで18日間かけて学習。Terminal-Bench 4.1のpass@1は5.6%から12.0%へと向上し、他の推論・指示追従・コーディング系ベンチでも軒並みスコアを伸ばした。鍵は高品質なデータ、非同期学習バックエンド、堅牢なサンドボックスにある。BF16、FP8、NVFP4のチェックポイントもHugging Faceで公開中だ。
学習の各ステップは、最大100万トークンにも及ぶごく少数の非常に長いセッションから学び、それらはハーネスの要約によって複数の軌跡に折り畳まれる。
HNでの議論
43- woah
ここで示されている評価データセットへの重度の依存、そしてフロンティアラボがそうしたデータに高額を支払っていることからも裏付けられるように、AIがまもなく自己改善するようになるという主張には疑問が投げかけられる。
- jacquesm
特定のベンチマークを極限まで伸ばし始めると何を失うのか、いつも気になる。バランスを取るのは本当に難しく、こうした取り組みをする全員が、トレーニングに使わなかった他のベンチマークの前後比較も時間をかけて載せてくれたらいいのにと思う。
- pkoiralap
Sabi-noemaも同じ領域の有力な競合に見える。qwen3.8から作られ、改良されている。
https://huggingface.co/sabicap/sabi-noema
HFモデルはこちらにも:
- xlayn
Snap、ダウンロードできるggufがないから、出てくるのを待ってテストするよ。すでに良いモデルに対する改善は何であれ良い知らせだ。
「144台のH200 GPUで18日間」は狂ってる…Qwenのトレーニングにそんなに多くのハードウェアが必要だとは思わなかった。
- mips_avatar
RLのトポロジーはどう組んだのですか?個別のRLノード(4xh200でロールアウト/4xh200でトレーニング)でしたか、それとも専用のトレーナーノードとロールアウトノードを用意したのですか?