Oossa

RadixArk, RL만으로 학습한 코딩 모델 DaisyRose-27B 공개

270억 매개변수 모델로 Terminal Bench 4.1 pass@1 점수를 12 %로 높였으며, 단일 GPU에서 실행할 수 있다. 가중치는 Apache‑2.0 라이선스로 공개됐다.

작성: Oossa 게시일: 1 분 읽기

Fatos Bytyqi · Unsplash

RadixArk는 20 November 2026 DaisyRose-27B 출시를 발표했다. 이 모델은 Qwen3.8-27B를 기반으로 하며, 지도 학습 데이터 없이 강화학습(RL)만으로 미세 조정됐다. RadixArk에 따르면 새 모델은 장기 작업 평가 벤치마크 Terminal Bench 4.1에서 pass@1 점수를 기반 모델의 5.6 %에서 12.0 %로 두 배 이상 높였다. 회사는 Hugging Face에 BF16, FP8, NVFP4 체크포인트도 공개했으며, 데이터센터용 H200부터 일반 소비자용 RTX 5090까지 단일 GPU에서 모델을 실행할 수 있다고 밝혔다.

DaisyRose 학습 방식

학습에는 RadixArk의 오픈소스 Miles 프레임워크가 사용됐다. 144개의 H200 GPU에서 18 일 동안 진행됐으며, 총 연산량은 약 63,000 GPU‑시간에 달했다. 팀은 Eigent AI와 협력해 장기 작업 1,200개를 선별했으며, 각 작업은 기반 모델의 오류를 드러내도록 설계됐다. 한 세션은 최대 1 million 토큰까지 처리할 수 있었고, 최장 1.5 시간 동안 이어졌으며 시도당 도구를 100회 넘게 호출하기도 했다. RL 학습 과정은 비동기 방식으로 운영됐다. GPU 128개가 에이전트의 동작을 처리하고 16개가 학습 업데이트를 수행해, 모델의 연산 자원 활용률은 유사한 오픈소스 학습기보다 57 % 높았다. 9주간 진행된 학습 동안 샌드박스 서비스는 약 944,000개의 샌드박스 인스턴스를 만들었고, 성공률은 99 %를 넘었다.

벤치마크 성능

Terminal Bench 4.1 외에도 DaisyRose-27B는 공개된 모든 벤치마크에서 Qwen3.8-27B보다 높은 점수를 기록했다. Terminal Bench 2.1에서는 기반 모델의 73.0 %보다 높은 75.5 %를 달성했다. DeepSWE v1.1 점수는 42.2 %에서 46.2 %로 올랐고, SWE Bench Pro v2에서는 91.3 %에서 94.7 %로 상승했다. IFBench에서도 더 큰 오픈 모델들을 앞섰으며(Qwen3.8‑27B의 79.5 % 대비 82.4 %), GPQA Diamond에서는 GPT‑6 Luna와 비슷한 점수를 기록했다(89.2 % 대비 90.7 %). 모든 점수는 BF16과 FP8 실행 결과 중 높은 값이며, 두 결과의 차이는 1점 미만이다.

왜 중요한가

개발자는 클라우드 API 비용을 내지 않고도 최첨단 코딩 어시스턴트를 사용해 볼 수 있다. 모델을 단일 GPU에서 실행할 수 있고 무료로 내려받을 수 있기 때문이다. RL만으로 학습해 큰 규모의 지도 학습 데이터 없이도 상당한 성능 향상이 가능하다는 점을 보여줘, 소규모 팀이 특화 에이전트를 개발하는 문턱을 낮출 수 있다.

이 기사가 도움이 되었나요?
공유

다음 읽을거리

Oossa · 뉴스레터

이번 주 AI, 쉽게 정리

매주 월요일, 알아둘 만한 소식을 쉬운 말로. 무료, 스팸 없음.