ラディクスアーク (RadixArk) は2026年11月18日(現地時間)、同社初の強化学習モデル「デイジーローズ-27B (DaisyRose-27B)」を発表しました。クウェン3.8-27B (Qwen3.8-27B) を基盤とし、マイルズ (Miles) を用いて訓練されたこのモデルは、ターミナルベンチ4.1 (Terminal-Bench 4.1) におけるpass@1スコアを5.6%から12.0%に向上させています。チェックポイントはApache 2.0ライセンスで提供されます。

デイジーローズ-27B (DaisyRose-27B) は、クウェン3.8-27B (Qwen3.8-27B) のアーキテクチャ、トークナイザ、チャットテンプレート、画像理解、および256Kトークンのコンテキストウィンドウを維持しています。ラディクスアーク (RadixArk) は、オープンソースの強化学習フレームワークであるマイルズ (Miles) を使用し、144台のH200 GPUを用いて18日間で1,200の厳選されたタスクでモデルを訓練しました。この訓練は最大1Mトークンの長期エージェントタスクで行われました。

同モデルはターミナルベンチ4.1 (Terminal-Bench 4.1) のほか、ターミナルベンチ2.1 (Terminal Bench 2.1)、ディープSWE v1.1 (DeepSWE v1.1)、SWEベンチプロ v2 (SWE Bench Pro v2)、HLE (text-only)、IFベンチ (IFBench)、GPQAダイアモンド (GPQA Diamond) といった各種ベンチマークでもクウェン3.8-27B (Qwen3.8-27B) を上回るスコアを記録しています。特にターミナルベンチ4.1 (Terminal-Bench 4.1) では大幅な改善が見られました。

ラディクスアーク (RadixArk) は、トレーニング効率の向上に貢献した3つの要素として、高品質なタスク設計、効率的なトレーニングバックエンド、および堅牢なサンドボックスサービスを挙げています。マイルズ (Miles) を用いたトレーニングバックエンドは、従来のオープンソーストレーナーと比較してトレーニングコストを57%削減し、エンドツーエンドの速度を2倍に高速化しました。サンドボックスサービスはエージェントENV (AgentENV) プロジェクトを基盤としており、プロジェクト期間中に約944,000のサンドボックスを実行し、クラウドインフラコストを約80%削減したと述べています。


参考: Hugging Face Blog — 2026年11月18日 10:35 (JST)

原文ハイライト

"Pushing the Frontier of Post-Training Efficiency"

この記事をシェア
X はてブ LinkedIn