# RadixArk تطلق DaisyRose-27B، نموذجًا للبرمجة دُرّب بالتعلّم المعزّز فقط

> يرفع النموذج، الذي يضم 27 مليار معلمة، نتيجة pass@1 في Terminal Bench 4.1 إلى 12٪، ويعمل على GPU واحدة؛ وأوزانه متاحة بموجب Apache-2.0.

Oossa · 2026-11-20 · https://oossa.com/ar/radixark-releases-daisyrose-27b-an-rl-only-coding-model

أعلنت RadixArk إطلاق DaisyRose-27B في 20 نوفمبر 2026. بُني النموذج على Qwen3.8-27B، وخضع للضبط الدقيق باستخدام التعلّم المعزّز (RL) فقط، من دون أي بيانات خاضعة للإشراف. وتقول RadixArk إن النموذج الجديد يضاعف نتيجة pass@1 أكثر من مرتين في معيار Terminal Bench 4.1 للمهام طويلة الأمد، لتصل إلى 12.0٪، مقارنةً بـ5.6٪ للنموذج الأساسي. كما أصدرت الشركة نقاط تحقق BF16 وFP8 وNVFP4 على Hugging Face، ويمكن تشغيل النموذج على GPU واحدة، من بطاقات H200 المخصصة لمراكز البيانات إلى بطاقات RTX 5090 الاستهلاكية.

## كيف دُرّب DaisyRose

استُخدم إطار Miles مفتوح المصدر من RadixArk في التدريب على 144 GPU من نوع H200 لمدة 18 يومًا، بإجمالي نحو 63,000 ساعة GPU. وأعدّ الفريق، بالتعاون مع Eigent AI، 1,200 مهمة طويلة الأمد، صُممت كل منها لكشف الأخطاء التي يرتكبها النموذج الأساسي. وكان من الممكن أن تصل الجلسات إلى مليون رمز وأن تستمر حتى 1.5 ساعة، مع أكثر من 100 استدعاء للأدوات في كل محاولة. ونُفذت حلقة التعلّم المعزّز على نحو غير متزامن: تولّت 128 GPU تنفيذ إجراءات الوكيل، فيما أجرت 16 GPU تحديثات التعلّم، ما جعل استغلال النموذج للقدرة الحاسوبية أعلى بنسبة 57٪ من أداة تدريب مفتوحة المصدر مماثلة. وخلال فترة التشغيل الممتدة تسعة أسابيع، أنشأت خدمة البيئة المعزولة نحو 944,000 بيئة، بمعدل نجاح تجاوز 99٪.

## الأداء في الاختبارات المعيارية

إلى جانب Terminal Bench 4.1، حقق DaisyRose-27B نتائج أعلى من Qwen3.8-27B في جميع الاختبارات المعيارية المذكورة. ففي Terminal Bench 2.1، بلغت نتيجته 75.5٪ مقابل 73.0٪ للنموذج الأساسي. وارتفعت نتيجة DeepSWE v1.1 من 42.2٪ إلى 46.2٪، كما صعدت نتيجة SWE Bench Pro v2 إلى 94.7٪ من 91.3٪. ويتفوق النموذج أيضًا على نماذج مفتوحة أكبر في IFBench (82.4٪ مقابل 79.5٪ لـQwen3.8-27B)، ويضاهي GPT-6 Luna في GPQA Diamond (90.7٪ مقابل 89.2٪). وتمثل جميع النتائج الأعلى بين تشغيلَي BF16 وFP8، اللذين لا يتجاوز الفرق بينهما نقطة واحدة.

## الحقائق

- DaisyRose-27B نموذج يضم 27 مليار معلمة، بُني على Qwen3.8-27B.
- استُخدمت في التدريب 1,200 مهمة أُعدّت بعناية، على مدى 18 يومًا وباستخدام 144 GPU من نوع H200، بإجمالي 63,000 ساعة GPU.
- ارتفعت نتيجة pass@1 في Terminal Bench 4.1 من 5.6٪ إلى 12.0٪ بعد الضبط الدقيق بالتعلّم المعزّز.
- يعمل النموذج على GPU واحدة؛ ويبلغ حجم أوزان BF16 نحو 52 GB، وFP8 نحو 29 GB، وNVFP4 نحو 23 GB.
- أُتيحت جميع نقاط التحقق بموجب ترخيص Apache-2.0 على Hugging Face.

## لماذا يهم

بات بإمكان المطورين تجربة مساعد برمجي متطور من دون دفع تكلفة واجهة API سحابية، إذ يعمل النموذج على GPU واحدة ومتاح للتنزيل مجانًا. ويُظهر التدريب بالتعلّم المعزّز وحده إمكانية تحقيق مكاسب كبيرة من دون مجموعات بيانات ضخمة خاضعة للإشراف، ما قد يسهّل على الفرق الأصغر تطوير وكلاء متخصصين.

## المصادر والمراجع

1. [RadixArk Ships DaisyRose-27B, a 27B Agentic Coding Model Trained With Reinforcement Learning Only](https://www.marktechpost.com/2026/11/20/radixark-daisyrose-27b-agentic-model/) – MarkTechPost, 2026-11-20
2. [RadixArk](https://huggingface.co/RadixArk/DaisyRose-27B?utm_source=openai) – RadixArk
3. [RadixArk](https://www.radixark.com/blog/daisyrose-27b?utm_source=openai) – RadixArk

آخر تحديث: 2026-11-20
