Oossa

RadixArk مدل کدنویسی DaisyRose-27B را با آموزش صرفاً RL منتشر کرد

این مدل ۲۷ میلیارد پارامتری امتیاز pass@1 در Terminal Bench 4.1 را به ۱۲٪ می‌رساند و روی یک GPU اجرا می‌شود؛ وزن‌های آن با مجوز Apache-2.0 متن‌باز است.

نویسنده: منتشرشده توسط Oossa: 1 دقیقه مطالعه

Fatos Bytyqi · Unsplash

RadixArk در ۲۰ نوامبر ۲۰۲۶ از عرضه DaisyRose-27B خبر داد. این مدل بر پایه Qwen3.8-27B ساخته شده و فقط با یادگیری تقویتی (RL)، بدون استفاده از هیچ داده نظارت‌شده‌ای، تنظیم دقیق شده است. به‌گفته RadixArk، مدل جدید امتیاز pass@1 خود را در معیار بلندمدت Terminal Bench 4.1 بیش از دو برابر کرده و به ۱۲.۰٪ رسانده است؛ امتیاز مدل پایه ۵.۶٪ بود. این شرکت همچنین نسخه‌های BF16، FP8 و NVFP4 را در Hugging Face منتشر کرده است. مدل را می‌توان روی یک GPU اجرا کرد؛ از کارت‌های H200 مراکز داده گرفته تا کارت‌های مصرفی RTX 5090.

DaisyRose چگونه آموزش داده شد

آموزش با چارچوب متن‌باز Miles متعلق به RadixArk، روی ۱۴۴ GPU مدل H200 و به‌مدت ۱۸ روز انجام شد و در مجموع حدود ۶۳٬۰۰۰ ساعت GPU زمان برد. تیم با همکاری Eigent AI، تعداد ۱٬۲۰۰ وظیفه بلندمدت را گردآوری کرد که هرکدام برای آشکار کردن خطاهای مدل پایه طراحی شده بودند. هر نوبت می‌توانست تا ۱ میلیون توکن داشته باشد و تا ۱.۵ ساعت طول بکشد؛ در هر تلاش نیز بیش از ۱۰۰ فراخوانی ابزار انجام می‌شد. چرخه RL به‌صورت ناهمگام اجرا شد: ۱۲۸ GPU اقدامات عامل را پردازش می‌کردند و ۱۶ GPU به‌روزرسانی‌های یادگیری را انجام می‌دادند. این روش باعث شد بهره‌وری استفاده مدل از توان محاسباتی ۵۷٪ بیشتر از یک آموزش‌دهنده متن‌باز مشابه باشد. در دوره ۹ هفته‌ای، سرویس سندباکس حدود ۹۴۴٬۰۰۰ نمونه سندباکس ایجاد کرد و نرخ موفقیت آن بیش از ۹۹٪ بود.

عملکرد در بنچمارک‌ها

DaisyRose-27B علاوه بر Terminal Bench 4.1، در تمام بنچمارک‌های فهرست‌شده امتیاز بالاتری از Qwen3.8-27B می‌گیرد. در Terminal Bench 2.1، امتیازش به ۷۵.۵٪ می‌رسد، در برابر ۷۳.۰٪ برای مدل پایه. امتیاز DeepSWE v1.1 از ۴۲.۲٪ به ۴۶.۲٪ افزایش می‌یابد و امتیاز SWE Bench Pro v2 از ۹۱.۳٪ به ۹۴.۷٪ می‌رسد. این مدل در IFBench نیز از مدل‌های متن‌باز بزرگ‌تر بهتر عمل می‌کند (۸۲.۴٪ در برابر ۷۹.۵٪ برای Qwen3.8-27B) و در GPQA Diamond با GPT-6 Luna برابری می‌کند (۹۰.۷٪ در برابر ۸۹.۲٪). همه امتیازها، نتیجه بالاتر از میان اجراهای BF16 و FP8 هستند که اختلافشان کمتر از یک واحد درصد است.

چرا مهم است

توسعه‌دهندگان حالا می‌توانند بدون پرداخت هزینه API ابری، یک دستیار کدنویسی پیشرفته را امتحان کنند؛ چون مدل روی یک GPU اجرا می‌شود و دانلود آن رایگان است. آموزش صرفاً با RL نشان می‌دهد که می‌توان بدون مجموعه‌داده‌های بزرگِ نظارت‌شده به پیشرفت چشمگیری رسید؛ موضوعی که ممکن است ساخت عامل‌های تخصصی را برای تیم‌های کوچک‌تر هم آسان‌تر کند.

آیا این مقاله مفید بود؟
اشتراک‌گذاری

بیشتر بخوانید

Oossa · خبرنامه

هفتهٔ هوش مصنوعی، به زبان ساده

هر دوشنبه: خبرهایی که ارزش دانستن دارند، به زبان ساده. رایگان و بدون هرزنامه.