---
title: "DaisyRose-27B: το pass@1 στο Terminal Bench 4.1 ανεβαίνει από 5.6% σε 12.0% με 1.200 εργασίες"
url: https://aibenchmark.gr/news/daisyrose-27b-to-pass-1-sto-terminal-bench-4-1-anevainei-apo-5-6-se-12-0-me-1/
language: el
published: 2026-11-19T22:21:36.612Z
updated: 2026-11-19T22:21:36.616Z
site: "AI Benchmark"
section: "Τεχνικές αναφορές"
---

# DaisyRose-27B: το pass@1 στο Terminal Bench 4.1 ανεβαίνει από 5.6% σε 12.0% με 1.200 εργασίες

Η RadixArk κυκλοφόρησε το DaisyRose-27B, μοντέλο βασισμένο στο Qwen3.8-27B και εκπαιδευμένο με reinforcement learning. Η ίδια αναφέρει άνοδο σε και στα επτά benchmarks που δημοσιεύει.

> Γράφτηκε με τεχνητή νοημοσύνη από τις πηγές που αναφέρονται παρακάτω. Συντακτική ευθύνη: Konstantinos Perros. Πώς γράφουμε: https://aibenchmark.gr/how-we-write/

## Βασικά στοιχεία

- Το DaisyRose-27B είναι το πρώτο μοντέλο της RadixArk, χτισμένο πάνω στο Qwen3.8-27B και διαθέσιμο με άδεια Apache 2.0 σε μορφές BF16, FP8 και NVFP4. [1]
- Η εκπαίδευση χρειάστηκε 18 ημέρες σε 144 GPU H200, με 1.200 επιλεγμένες εργασίες και συνεδρίες έως 1M tokens. [1]
- Η RadixArk αναφέρει ότι το pass@1 στο Terminal Bench 4.1 αυξήθηκε από 5.6% σε 12.0%. [1]
- Το backend εκπαίδευσης της εταιρείας έφτασε 37% MFU, έναντι 16% του ανοιχτού trainer σε συγκρίσιμες εκτελέσεις, που η εταιρεία μεταφράζει σε 57% λιγότερο χρόνο GPU. [1]
- Η υπηρεσία sandboxes εκτέλεσε περίπου 944.000 sandboxes, με έως 1.566 ταυτόχρονα και ποσοστό επιτυχίας δημιουργίας άνω του 99% σε εννέα εβδομάδες. [1]

## Τι κυκλοφόρησε και πώς εκπαιδεύτηκε

Η RadixArk παρουσίασε το DaisyRose-27B μέσω ανάρτησης στο Hugging Face, η οποία προσαρμόζει το αρχικό της άρθρο. Πρόκειται για το πρώτο μοντέλο της εταιρείας. Βασίζεται στο Qwen3.8-27B και εκπαιδεύτηκε με reinforcement learning μέσω του Miles, του ανοιχτού framework της εταιρείας για post-training μεγάλων μοντέλων. Τα checkpoints διατίθενται με άδεια Apache 2.0 σε BF16, FP8 και NVFP4.

Το μοντέλο διατηρεί την αρχιτεκτονική, τον tokenizer, το chat template, την κατανόηση εικόνας και το παράθυρο context των 256K tokens του Qwen3.8-27B. Οι μακρύτερες συνεδρίες εκπαίδευσης καλύπτουν πολλαπλές τροχιές (trajectories) με περιληπτικό μηχανισμό (harness summarization). Στόχος ήταν εργασίες πράκτορα μεγάλου ορίζοντα, με συνεδρίες έως 1M tokens.

Τα δεδομένα προήλθαν από συνεργασία με την Eigent AI. Από μια μεγάλη δεξαμενή εργασιών σε μηχανική μάθηση, τεχνολογία λογισμικού και επιστήμες, οι δύο ομάδες έφτιαξαν χιλιάδες υποψήφιες εργασίες και κράτησαν περίπου 1.200. Η RadixArk περιγράφει τρία κριτήρια επιλογής. Κάθε εργασία στοχεύει ένα λάθος που κάνει το αρχικό μοντέλο, και το ποσοστό επίλυσης ρυθμίστηκε ώστε να είναι χρήσιμο για μάθηση. Κάθε εργασία απαιτεί αλληλεξαρτώμενα βήματα, με έως 1,5 ώρα σε sandbox, πάνω από 100 κλήσεις εργαλείων και πάνω από 256K tokens εξόδου ανά προσπάθεια. Τέλος, οι εργασίες πρέπει να επιβραβεύουν πραγματική επίλυση: όσες περνούσαν χωρίς να λυθεί το πρόβλημα ή είχαν σχεδιαστικό ελάττωμα διορθώθηκαν ή αφαιρέθηκαν.

## Αποτελέσματα στα benchmarks: μετρήσεις της ίδιας της εταιρείας

Τα αποτελέσματα που ακολουθούν προέρχονται από την ίδια την RadixArk για το δικό της μοντέλο. Δεν είναι ανεξάρτητη αξιολόγηση. Η εταιρεία αναφέρει ότι το DaisyRose-27B υπερέχει του αρχικού Qwen3.8-27B σε όλα τα benchmarks του πίνακα. Η μεγαλύτερη άνοδος καταγράφεται στο Terminal Bench 4.1, όπου το pass@1 πηγαίνει από 5.6% σε 12.0%. Στο HLE (text-only) η διαφορά είναι η μικρότερη, από 33.9 σε 34.3.

Ως προς τη μέθοδο, η εταιρεία λέει ότι για κάθε benchmark καταγράφεται το υψηλότερο σκορ ανάμεσα στις εκτελέσεις BF16 και FP8. Όπου αξιολογήθηκαν και οι δύο μορφές, οι διαφορές τους ήταν μικρότερες από μία μονάδα. Οι συγκρίσεις και οι ρυθμίσεις αξιολόγησης βρίσκονται, κατά την ανάρτηση, στο model card.

Η RadixArk ζητά επίσης από τους χρήστες να δοκιμάσουν το μοντέλο στις δικές τους εργασίες και να καταγράψουν τα αποτελέσματά τους, και τα σημεία όπου υστερεί, στην καρτέλα Community του μοντέλου.

*Σκορ Qwen3.8-27B και DaisyRose-27B όπως τα δημοσιεύει η RadixArk (υψηλότερο σκορ BF16/FP8 ανά benchmark)*

| Benchmark | Qwen3.8-27B | DaisyRose-27B |
| --- | --- | --- |
| Terminal Bench 4.1 | 5.6 | 12.0 |
| Terminal Bench 2.1 | 73.0 | 75.5 |
| DeepSWE v1.1 | 42.2 | 46.2 |
| SWE Bench Pro v2 | 91.3 | 94.7 |
| HLE (text-only) | 33.9 | 34.3 |
| IFBench | 79.5 | 82.4 |
| GPQA Diamond | 89.2 | 90.7 |

## Backend εκπαίδευσης και sandboxes: οι μετρήσεις υποδομής

Η εκπαίδευση έτρεξε σε πλήρως ασύγχρονη λειτουργία: ο πράκτορας συνεχίζει να εργάζεται ενώ το μοντέλο μαθαίνει. Από τις 144 GPU H200, οι 128 εκτελούν το inference στις εργασίες του πράκτορα και οι 16 τον trainer. Μετά από κάθε βήμα, το ενημερωμένο μοντέλο διανέμεται στις 128 GPU. Η εκμάθηση τρέχει στο εσωτερικό backend της εταιρείας, σχεδιασμένο για εκπαίδευση πρακτόρων, όπου κάθε βήμα μαθαίνει από λίγες πολύ μακριές συνεδρίες.

Σύμφωνα με την RadixArk, το backend πέτυχε 37% model FLOPs utilization (MFU, το ποσοστό της μέγιστης υπολογιστικής ισχύος που πηγαίνει σε χρήσιμη δουλειά εκπαίδευσης), ενώ ο ανοιχτός trainer βασισμένος στο Megatron έφτασε 16% σε συγκρίσιμες εκτελέσεις. Η εταιρεία το μεταφράζει σε 57% λιγότερο χρόνο GPU για την ίδια εκπαίδευση. Για μοντέλα mixture-of-experts αναφέρει μεγαλύτερο κέρδος: 6.2× στο Qwen3.6-35B-A3B και πάνω από 10× στο GLM-5.3-Flash, περίπου 300B παραμέτρων.

Μετρώντας και τον χρόνο που ξοδεύει ο πράκτορας στις εργασίες του, η εκτέλεση της κυκλοφορίας επεξεργάστηκε περίπου 16,800 tokens ανά δευτερόλεπτο στις 144 GPU, έναντι περίπου 8,300 του ανοιχτού trainer στις ίδιες GPU. Η εκτέλεση διήρκεσε εβδομάδες και συνολικά 63,000 ώρες GPU, με σταθερή ταχύτητα και απόδοση από το πρώτο βήμα ως το τελευταίο.

Κάθε προσπάθεια εκπαίδευσης τρέχει σε sandbox, δηλαδή σε φρέσκο αντίγραφο του περιβάλλοντος της εργασίας όπου ο πράκτορας εκτελεί εντολές, επεξεργάζεται αρχεία και βαθμολογείται. Η υπηρεσία βασίζεται στο ανοιχτό έργο AgentENV. Από τα μέσα Σεπτεμβρίου έως τα μέσα Νοεμβρίου εκτέλεσε περίπου 944,000 sandboxes, με έως 1,566 ταυτόχρονα. Μεγάλωσε από ένα μηχάνημα σε έως 12 και δέχτηκε δέκα αναβαθμίσεις, σχεδόν όλες ενώ η εκπαίδευση βρισκόταν σε εξέλιξη. Στις εννέα εβδομάδες το 99% των δημιουργιών sandbox πέτυχε, ενώ από τα τέλη Οκτωβρίου το ποσοστό ξεπερνά το 99.95%.

Η εταιρεία αναφέρει ότι το κόστος cloud υποδομής για τα sandboxes ήταν περίπου 80% χαμηλότερο από την εκτέλεση των ίδιων sandboxes σε δημοφιλείς παρόχους. Ένας από τους τρόπους είναι η μνήμη κάθε sandbox να αυξομειώνεται ανάλογα με τη χρήση, ώστε περισσότερα sandboxes να μοιράζονται το ίδιο μηχάνημα. Για την εξυπηρέτηση του μοντέλου προτείνει SGLang με speculative decoding DSpark.

## Ερωτήσεις και απαντήσεις

**Με ποια άδεια και σε ποιες μορφές διατίθεται το DaisyRose-27B;**

Τα checkpoints διατίθενται με άδεια Apache 2.0 σε μορφές BF16, FP8 και NVFP4, σύμφωνα με την ανάρτηση της RadixArk στο Hugging Face.

**Πώς προτείνεται να εξυπηρετείται το μοντέλο;**

Η RadixArk προτείνει SGLang με speculative decoding DSpark. Το SGLang cookbook περιέχει ρυθμίσεις εκκίνησης για διαφορετικές GPU και μορφές checkpoint, και το μοντέλο υποστηρίζει κλήσεις μέσω του OpenAI Python client.

**Πόσο διήρκεσε και πόσο πόρους χρειάστηκε η εκπαίδευση;**

Η εταιρεία αναφέρει 18 ημέρες σε 144 GPU H200 και συνολικά 63,000 ώρες GPU, με 1.200 επιλεγμένες εργασίες.

## Πηγές

1. Hugging Face: [DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency](https://huggingface.co/blog/RadixArk/daisyrose-27b-pushing-the-frontier-of-post-trainin)
