RadixArkは2026年11月20日、DaisyRose-27Bを発表した。Qwen3.8-27Bをベースに構築され、教師ありデータを使わず、強化学習(RL)のみでファインチューニングされている。RadixArkによると、長時間のタスクを評価するTerminal Bench 4.1で、pass@1スコアはベースモデルの5.6%から12.0%へと2倍以上に向上した。同社はBF16、FP8、NVFP4のチェックポイントをHugging Faceで公開。データセンター向けのH200から一般消費者向けのRTX 5090まで、単一GPUで実行できる。
DaisyRoseの訓練方法
訓練にはRadixArkのオープンソースフレームワークMilesを使用し、144基のH200 GPUで18日間、合計約63,000 GPU時間を費やした。チームはEigent AIと協力して、ベースモデルが犯す間違いを明らかにするよう設計された、長時間タスク1,200件を厳選した。セッションは最長100万トークン、最長1.5時間に及び、1回の試行で100回を超えるツール呼び出しが行われることもあった。RLの学習ループは非同期で動作し、128基のGPUがエージェントのアクションを処理する一方、16基が学習の更新を担当した。これにより、同等のオープンソース学習システムと比べて、モデルの計算資源利用率は57%高くなった。9週間にわたる実行期間中、サンドボックスサービスは約944,000のインスタンスを作成し、成功率は99%を超えた。
ベンチマークでの性能
Terminal Bench 4.1に加え、DaisyRose-27Bは掲載されているすべてのベンチマークでQwen3.8-27Bを上回る。Terminal Bench 2.1では75.5%を記録し、ベースモデルの73.0%を上回った。DeepSWE v1.1は42.2%から46.2%に向上し、SWE Bench Pro v2は91.3%から94.7%に上昇した。また、IFBenchではより大規模なオープンモデルを上回り(Qwen3.8-27Bの79.5%に対し82.4%)、GPQA DiamondではGPT-6 Lunaと同等の成績だった(89.2%に対し90.7%)。各スコアはBF16とFP8のうち高い方で、両者の差は1ポイント未満。
なぜ重要か
単一GPUで動作し、無料でダウンロードできるため、開発者はクラウドAPIの料金を払わずに最先端のコーディングアシスタントを試せる。RLのみでの訓練でも大きな性能向上が可能だと示されたことで、大規模な教師ありデータセットがなくても、少人数のチームが特化型エージェントを開発しやすくなる可能性がある。