DaisyRose-27B, 1,200개 과제 RL로 Qwen3.8 Terminal-Bench 4.1 성능 5.6%→12% 달성

“RadixArk가 Qwen3.8-27B 기반 첫 모델 DaisyRose-27B를 공개했다. 1,200개 큐레이션 과제로 144개 H200 GPU에서 18일간 강화학습해 Terminal-Bench 4.1 pass@1을 5.6%에서 12.0%로 끌어올렸다. 최대 100만 토큰 세션의 장기 에이전트 과제를 비동기 방식으로 학습해 훈련 비용을 57% 절감했으며, BF16·FP8·NVFP4 체크포인트를 공개했다.”

AI 요약

RadixArk가 Qwen3.8-27B 기반 첫 모델 DaisyRose-27B를 공개했다. 144개 H200 GPU에서 18일간 1,200개의 정교한 장기 과제로 강화학습을 수행해 Terminal-Bench 4.1 pass@1을 5.6%에서 12.0%로 끌어올렸다. 고품질 데이터 설계, 비동기 학습 백엔드 Miles, 견고한 샌드박스가 핵심 요소로, 제한된 컴퓨팅 예산으로도 성능 향상이 가능함을 입증했다.

핵심 포인트

  • 144개 H200 GPU, 18일, 1,200개 과제로 학습해 Terminal-Bench 4.1 pass@1 5.6%→12.0% 달성
  • 각 과제는 최대 1.5시간 샌드박스, 100회 이상 도구 호출, 256k 이상 출력 토큰의 장기 체인 구조
  • Miles 프레임워크의 완전 비동기 모드로 128개 GPU는 추론, 16개는 학습 담당, 학습 비용 37% 절감
  • BF16, FP8, NVFP4 체크포인트 공개, 모든 벤치마크에서 원본 Qwen3.8-27B 능가

향후 전망

  • 소규모 정제 데이터와 효율적 인프라로 장기 에이전트 과제 성능을 크게 개선하는 방법론 확산
  • 오픈 체크포인트 공개로 에이전트 모델 연구 및 파생 모델 개발 활성화 기대
출처:hackernews (RadixArk)
Share

이것도 읽어보세요

댓글

이 소식에 대한 의견을 자유롭게 남겨주세요.

댓글 (0)

불러오는 중...