RadixArkは、Qwen3.8-27Bを土台に強化学習だけで鍛えたDaisyRose-27Bを公開した。Terminal-Bench 4.1のpass@1は5.6%から12.0%へ倍増した。18日間、1,200タスク、H200 144枚という規模の話である。
DaisyRose-27Bは新アーキテクチャではない
RadixArkのDaisyRose-27Bは、アーキテクチャもトークナイザもチャットテンプレートもQwen3.8-27Bのままで、画像理解と256Kのコンテキストも引き継ぐ。変えたのは学習の方法だけ。長いエージェント作業に絞り、reinforcement learningだけで鍛えた。
学習には同社のオープンソースのフレームワークMilesを使い、1セッションは最大100万トークンに達する。重みはApache 2.0で、BF16、FP8、NVFP4の3形式。配備にはSGLangとDSparkの投機的デコードを勧めている。
Terminal-Bench 4.1は5.6%から12.0%、倍でもまだ低い
Terminal-Bench 4.1は、端末の中で複数のコマンドを打ちながら課題を終わらせる力を測るテストだ。pass@1は5.6%から12.0%へ上がった。倍になったのは確かだが、12%という絶対値はまだ低い。
DaisyRose-27Bはほかのベンチマークでも表の全行で上回る
土台のモデルとの比較は、どの行もDaisyRose-27Bが上である。BF16とFP8の高いほうを採った数字で、両方を測った項目の差は1点未満だという。
ベンチマーク | Qwen3.8-27B | DaisyRose-27B |
|---|---|---|
Terminal Bench 2.1 | 73.0 | 75.5 |
DeepSWE v1.1 | 42.2 | 46.2 |
SWE Bench Pro v2 | 91.3 | 94.7 |
IFBench | 79.5 | 82.4 |
GPQA Diamondは89.2から90.7、HLEのテキストのみは33.9から34.3。伸び幅が最も大きいのはTerminal Bench 4.1である。
1,200タスクは、Qwen3.8-27Bの間違いから作った
タスクはEigent AIと組み、ベースモデルが実際に間違える点から起こしたもので、数千件の候補から約1,200件を残し、どれも複数の依存する手順を必要とする。解くべき問題を解かずに通る抜け道がないかを、1件ずつ確認している。
1回の試行には最大1.5時間のサンドボックスを与え、100回を超えるツール呼び出しと、256Kを超える出力トークンを許す。腰を据えた仕事を、途中で切らずに最後まで走らせる設計だ。
MilesとH200 144枚が、18日間を現実にした
Milesは完全に非同期で動く。128枚のH200がエージェントの推論を回し、16枚が学習を担当する。更新されたモデルは各ステップの後に推論側へ戻る。では、その差はどこから来るのか?
モデルFLOPsの利用率は37%で、比較対象のオープンソースのMegatron系トレーナーは16%。同じ学習に必要なGPU時間は57%減る。Qwen3.6-35B-A3Bでは6.2倍、約300BのGLM-5.3-Flashでは10倍以上という改善も報告する。144枚全体では毎秒約16,800トークンを処理しており、同じハードの比較対象が約8,300である一方、9週間で63,000GPU時間を速度を落とさずに回した。
RadixArkのサンドボックス944,000個という裏方
学習を支えたのは、地味なサンドボックス基盤である。9月中旬から11月中旬までに約944,000個を作り、同時実行は最大1,566。作成成功率は9週間で99%、10月下旬以降は99.95%を超える。クラウド費用は一般のサンドボックス事業者より約80%安いという。
日本の受託開発や社内ツールの保守でも、端末を触って直す作業は残る。そこへエージェントを置くなら、GPUの調達費と電力単価が効く。この種の効率改善は、国内の小規模チームほど効きやすい。
DaisyRose-27Bの数字の読み方
ベンチマークはすべてRadixArkの測定で、比較相手は土台のQwen3.8-27B 1つだけ。第三者の追試はない。エージェント系の絶対値はまだ低く、12.0%は実務を任せられる水準ではない。主張の中心は新しい最先端ではなく、1点あたりのコストである。






