知Yizhi Daily
← Volver a esta edición

IA

RadixArk presenta DaisyRose-27B y refuerza las capacidades de agente de Qwen3.8 con 1200 tareas de largo alcance

Edición 2026-11-19 · 08:00 Hora de Pekín

RadixArk publicó DaisyRose-27B, su primer modelo basado en Qwen3.8-27B, utilizando el marco de aprendizaje por refuerzo Miles y 1200 tareas de agente de largo alcance seleccionadas, entrenado durante 18 días en 144 H200. El pass@1 de Terminal-Bench 4.1 subió del 5,6 % al 12,0 %, y abre los checkpoints BF16, FP8 y NVFP4.

RadixArk afirmó que DaisyRose-27B se basa en Qwen3.8-27B y utiliza Miles para el posentrenamiento con aprendizaje por refuerzo. El entrenamiento se orientó a tareas de agente de largo alcance, con sesiones de hasta 1 millón de tokens; finalmente solo se emplearon 1200 tareas cuidadosamente seleccionadas y el modelo se entrenó durante 18 días en 144 GPU H200. El pass@1 del modelo en Terminal-Bench 4.1 mejoró del 5,6 % del modelo original al 12,0 %, y también obtuvo mejoras en otros bancos de pruebas de razonamiento, cumplimiento de instrucciones y programación.

Las tareas de entrenamiento se construyeron mediante la colaboración entre RadixArk y Eigent AI; las tareas candidatas abarcaban ámbitos como aprendizaje automático, ingeniería de software y ciencias, y finalmente se seleccionaron unas 1200. Cada tarea se rediseñó específicamente a partir de los errores detectados en el Qwen3.8-27B original y se ajustó a un intervalo de tasa de resolución ni demasiado fácil ni demasiado difícil.

Las tareas hacen hincapié en cadenas largas y en evitar el aprovechamiento oportunista de recompensas: cada tarea contiene varios problemas interdependientes y el agente debe pasar por fases como razonamiento, planificación y ejecución; cada intento se ejecuta en un entorno aislado durante un máximo de 1,5 horas e incluye más de 100 llamadas a herramientas y más de 256000 tokens de salida. El equipo también revisó los intentos del modelo y reparó o eliminó las tareas que podían superarse sin resolver realmente el problema.

El entrenamiento utilizó el modo totalmente asíncrono de Miles: 128 H200 ejecutan la inferencia de las tareas del agente y 16 H200 ejecutan el entrenador, de modo que el agente trabaja continuamente mientras el modelo aprende de forma sincronizada, y el modelo actualizado se envía a las GPU de inferencia después de cada paso. RadixArk afirmó que su tasa de utilización de FLOPs del modelo backend alcanzó el 37 %, frente al 16 % de los entrenadores de código abierto basados en Megatron en ejecuciones similares; el tiempo de GPU necesario para el mismo entrenamiento se redujo un 57 % y la velocidad de extremo a extremo fue aproximadamente 2 veces mayor.

Fuentes originales

Hacker News ↗
Volver a esta ediciónAbrir lector interactivo