RadixArk、27Bモデルを18日で強化し推論性能向上

ベンチマークで改善

Terminal-Bench 4.1が5.6%から12%
7指標すべてで基盤モデル超え
Apache 2.0で重みを公開

学習効率を改善

約1,200件の長期タスクで強化
144基のH200で18日間学習
GPU時間を従来比57%削減
サンドボックス費用を約80%圧縮
詳細を読む

RadixArkは11月18日、強化学習で後学習した27B規模の言語モデル「DaisyRose-27B」を公開しました。Qwen3.8-27Bを基盤に、約1,200件の厳選タスクを使い、144基のH200 GPUで18日間学習させています。モデルの重みはApache 2.0ライセンスで公開されました。

同社の評価では、Terminal-Bench 4.1のpass@1は基盤モデルの5.6%から12.0%へ上昇しました。Terminal-Bench 2.1、DeepSWE、SWE-Bench Pro、HLE、IFBench、GPQA Diamondを含む掲載7指標すべてで、DaisyRose-27Bが基盤モデルを上回っています。

学習タスクは機械学習、ソフトウェア開発、科学などの候補から選び、元モデルが誤りやすい点を狙った複数段階の課題に整えました。各試行ではエージェントがサンドボックス内で最長1.5時間、100回超のツール操作や長い出力を使って課題に取り組みます。

RadixArkは非同期学習基盤Milesを使い、128基でエージェントを動かしながら、残る16基で学習を進めました。同社によれば、GPUのピーク演算性能に対する有効学習量(MFU)は自社基盤で37%、比較対象のMegatronベースの公開トレーナーで16%となり、同じ学習に必要なGPU時間を57%削減できました。タスク実行時間も含めた処理量は毎秒約16,800トークンで、比較対象の約8,300トークンの約2倍です。

学習環境を隔離するサンドボックスは、9週間で約94万4,000回起動し、作成成功率は全期間で99%、10月下旬以降は99.95%超だったといいます。クラウド上のサンドボックス費用は、一般的なクラウド事業者で同等環境を動かす場合に比べ約80%低かったと説明しています。数値はいずれもRadixArkの発表に基づき、利用者自身のタスクでの性能や費用は別途評価が必要です。