AI 模型熱門

DaisyRose-27B 只做強化學習,18 天把代理寫程式成績翻倍

同一個 Qwen3.8-27B,架構、分詞器、聊天模板都沒改,只換訓練方式。RadixArk 拿 1,200 個長流程任務,示範後訓練的預算可以買到什麼。

陳柏宇陳柏宇
熱度:1,330
終端機視窗裡有上升的獎勵曲線,旁邊是一個 27B 標章

同一個 Qwen3.8-27B,架構、分詞器、聊天模板都沒改,只換訓練方式。RadixArk 拿 1,200 個長流程任務,示範後訓練的預算可以買到什麼。

這不是新模型:同一個 Qwen3.8-27B,只換訓練方式

RadixArk 的第一顆模型 DaisyRose-27B,11 月 18 日在 Hugging Face 發布,20 日開始有媒體報導。它的基底是 Qwen3.8-27B,架構、分詞器、聊天模板、圖像理解與 256K 上下文全部保留,唯一改動是訓練方式:只用 reinforcement learning,不做監督式微調。

權重以 Apache 2.0 釋出,提供 BF16、FP8 與 NVFP4 三種格式。官方定位很清楚,這是給寫程式的代理用的模型,不是通用聊天模型;發布文裡也特別謝謝 Qwen 團隊提供基底。

保留同一個分詞器與聊天模板,對實際部署很重要。原本接 Qwen3.8-27B 的程式碼、提示詞與工具格式,換成這顆模型時不用重寫;原本跑得動的推論服務,換個權重就能上。這也是後訓練模型近半年在開源社群受歡迎的原因:改進是真的,遷移成本卻接近零。

Terminal-Bench 4.1 從 5.6% 到 12.0%:翻倍,但絕對值仍低

最受注目的數字,是測命令列操作與長流程任務的 Terminal-Bench 4.1。它的 pass@1 從 5.6% 升到 12.0%,是翻倍,但要一起說另一半:12% 仍然是很低的分數,代表這類任務多數還是解不出來。

pass@1 的意思是只給模型一次機會,第一次就做對才算過。這個計分方式對代理任務特別嚴格,因為中間只要一步走錯,後面的指令就會全部歪掉;分數低不等於模型沒用,但代表它還不能沒人看就上線。

RadixArk 的說法是,這張表上每一項都比原本的 Qwen3.8-27B 高,差最大的是 Terminal-Bench 4.1。這種「每一項都往上」的結果,通常來自訓練任務真的對準了模型的弱點,而不是把 benchmark 題目混進訓練資料。

其他 benchmark:每一項都往上

把六項主要成績排在一起,看得出來進步集中在代理與工具使用,而不是通用知識。

測試

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

89.2

90.7

HLE(純文字)

33.9

34.3

這些數字取 BF16 與 FP8 兩次執行中較高的一次,兩者差距不到一分。全部由 RadixArk 公布、MarkTechPost 轉述,沒有第三方複驗。GPQA 與 HLE 這種知識型測試只動了 1 分左右,也符合「後訓練買到的是流程,不是百科」的預期。

幾項測試各自在量什麼,值得分開看。DeepSWE 與 SWE-bench Pro v2 都是拿真實的程式庫問題,看模型能不能自己找到檔案、改對地方、跑過測試;IFBench 量的是照著複雜指令做事的能力;GPQA Diamond 與 HLE 則是研究所與專家級的難題。前面幾項進步多、後面幾項幾乎不動,正好說明這次訓練把預算花在「怎麼做」而不是「知道什麼」。

1,200 個任務怎麼挑:從 base model 真的會錯的地方下手

任務由 Eigent AI 協助建立,從數千個候選中篩到約 1,200 個。每個任務都對準基底模型真的會犯的錯,需要好幾個互相依賴的步驟,而且經過審查,確保不解決原本的問題就過不了。

每次嘗試最多給 1.5 小時,允許超過 100 次工具呼叫、超過 256K 輸出詞元。這種規模的單次嘗試,比一般微調樣本貴得多,所以任務數量不用多,重點是難度與可驗證性。訓練階段的單次會話上限則是 1M 詞元。

所謂「互相依賴的步驟」,可以想成一個實際的維修單:先讀錯誤訊息、找到相關檔案、改一個設定、重跑測試、發現另一個測試掛掉、再回頭改。每一步的結果都會改變下一步要做什麼,這種任務沒辦法靠背答案過關,只能真的把流程跑完。

Miles 非同步訓練:37% MFU 對 16%

省錢的關鍵在訓練框架。RadixArk 的開源框架 Miles 採完全非同步:128 張 H200 專門跑代理任務的推論,另外 16 張跑訓練器,每一步更新後把新模型推回推論叢集。

官方量到 37% 的模型 FLOPs 利用率,對比開源 Megatron 系訓練器在相近設定下的 16%,換算下來同樣的訓練少用 57% GPU 時間。它還宣稱在 Qwen3.6-35B-A3B 上有 6.2 倍加速,在約 300B 參數的 GLM-5.3-Flash 上超過 10 倍。端到端來看,144 張 GPU 跑出約每秒 16,800 詞元,開源訓練器在同樣硬體是 8,300。

要注意的是,這個 57% 是對比特定訓練器的結果,不能直接套到所有模型與所有任務。

沙箱服務:94.4 萬個沙箱、1,566 個併發

代理訓練的另一個成本是沙箱。RadixArk 的服務建立在開源專案 AgentENV 上,9 月中到 11 月中跑了約 94.4 萬個沙箱,最高同時 1,566 個。九週內建立成功率 99%,10 月底之後超過 99.95%,雲端成本比常見沙箱供應商低約 80%。

沙箱便宜,才敢讓模型在裡面亂試。這是整篇發布文裡最容易被忽略、卻最影響成本的數字:一次失敗的嘗試要付一次環境費,嘗試次數乘以失敗率,就是訓練帳單的主要部分。

對小團隊來說,這個門檻比模型本身更現實。要在自己的機器上重現這種訓練,不只要 GPU,還要一套能快速開關、隔離網路、記錄每一步的環境;沒有這層基礎設施,模型再強也訓不動。

三個該保留的疑問

第一,這是發布方自己的 benchmark,比的還是它自己釋出的基底模型,沒有外部實驗室重跑。第二,代理任務的絕對分數仍低,12.0% 的 Terminal-Bench 4.1 意味著多數情境還是會失敗。第三,真正的賣點是每一分的成本,不是能力上限。

想試的人,Hugging Face 上有三種格式,官方建議用 SGLang 搭配 DSpark 推測解碼,推理放在 reasoning_content、答案放在 content。對台灣的小團隊來說,這種模型的意義是可以租少一點 GPU、跑久一點的任務;先拿自己最常交給代理的流程測一輪,比看榜單有用。

分享這則新聞

來源

相關 AI 新聞

筆電輪廓裡有三張堆疊的層板,穿過一個迴圈箭頭
AI 模型

Inkling 2 Mini 把中間 12 層跑三次,26B 模型離線塞進筆電

24 層的模型,跑出 48 層的計算深度。Thinking Machines Lab 把這個迴圈架構做成 open weights,讓代理任務有機會在筆電上離線完成。

熱度:1,710
暗色背景上一道長條藍綠色聲波,其中一根橘色強調柱
AI 模型

Rumble-2-Flash 開源:0.5B 參數在客服電話上追平 30B 模型

一支 5 億參數的語音辨識模型,在 302 小時的英文客服電話上,只輸給 300 億參數的對手 0.08 個百分點。Reson8 在 11 月 18 日把這支模型連權重一起放上 Hugging Face。

熱度:560
深藍背景上三道光環繞著一顆發光的小核心
AI 模型

Gemini 4 Neon 上線:模型選單剩四項,Argon 與 3.1 Pro 退場

Google 在 11 月 18 日把 Gemini 4 Neon 推上線,同一時間,Gemini app 的模型清單從六個名字縮成四個。習慣點 Argon 的人,今天打開 app 會發現它不見了。

熱度:1,500
大型模型核心環繞推理輻條,旁邊是較小的快速核心,右側是下降的價格柱
AI 模型

GPT-6.2 Astra 降價兩成:單價降了,每任務成本還是 Sol 的三倍多

OpenAI 把 GPT-6.2 Astra 的 API 價格往下調了兩成,同一天 Sol 的價目表一個字都沒動。降價會不會反映到你的帳單,取決於你買的是詞元,還是完成的工作。

熱度:1,900