RadixArkが2026年11月18日、強化学習だけで事後学習を施した初の公開モデルを発表した。同社の公式評価ではTerminal Bench 2.1がベースモデルの73.0から75.5に、DeepSWE v1.1が42.2から46.2に向上した。開発者は既存モデルの実行環境を維持しつつ、新しい重み、つまりモデルの動作を決める学習済みの数値に差し替え、複数段階でツールを使うエージェント作業の性能を試せる。
1. 正解を教える代わりに長時間の課題で学習
DaisyRose-27BはQwen3.8-27Bをベースとする画像理解・推論モデルだ。正解例で追加学習する教師ありファインチューニングや、他モデルの出力を模倣して学ぶ蒸留は使わず、強化学習だけを適用した。ベースモデルの構造、チャットテンプレート、画像理解能力、256Kトークンのコンテキスト長を維持している。
学習データはEigent AIと作成した数千件の候補から選んだ約1,200件の課題だ。ベースモデルが間違える箇所を狙い、意図した問題を解かずに通過できる課題は修正または除外した。1回の試行では、他の作業と分離した隔離実行環境で最大1.5時間、100回超のツール呼び出し、256Kトークン超の出力を許容した。
2. エージェントの実行と学習を同時に進行
オープンソースの学習ツールMilesを使い、エージェントの作業中も学習を続けた。H200 GPU 128基が作業を実行し、16基が完了した作業記録を学習して、各ステップで更新した重みを実行側に返した。最大100万トークンのセッションは、実行内容を要約して複数の学習記録に分割した。
同社ブログによると、計144基のH200で18日間に約6万3,000 GPU時間を使用した。演算要求を実際に処理する内部構成要素である独自バックエンドのGPU演算利用率は37%だった。比較可能な実行で、モデル学習用ソフトウェアであるMegatronベースのオープンソーストレーナーの16%を上回り、同じ学習に必要なGPU時間は57%減った。エージェントの作業時間を含むスループット、つまり単位時間当たりの処理トークン数は、同じ144基で毎秒約16,800トークンとなり、比較対象の約8,300トークンを上回った。
3. 公式成績は反復回数と評価バージョンまで確認
モデルカードによると、新モデルの点数は重みの数値精度形式であるBF16とFP8で実行したうちの高い値で、両方を評価した項目の差は1点未満だ。同社の新モデル評価では、推論強度をデフォルトの最上位設定とし、コンテキスト範囲内で出力長に別途上限を設けなかった。
同社発表によると、Terminal Bench 4.1の1回の試行での成功率は12.0%だ。課題ごとに8回繰り返して平均を取り、社内の評価実行ツールmini-swe-agentで要約機能を有効にした。
公式比較表の代表的な評価をベースモデルと並べると次のようになる。
表:ベースモデルとDaisyRose-27Bの代表的な評価点数
条件:モデルカードの同一評価バージョンごとの報告点数。ベースモデルは外部出典の値、新モデルはBF16・FP8のうち高い値
単位:点
| 評価 | Qwen3.8-27B | DaisyRose-27B |
|---|---|---|
| Terminal Bench 2.1 | 73.0 | 75.5 |
| DeepSWE v1.1 | 42.2 | 46.2 |
| HLEテキスト | 33.9 | 34.3 |
Terminal Bench 2.1は2.5点、DeepSWE v1.1は4.0点向上した一方、HLEテキストの差は0.4点だ。作業ごとの改善幅は均一ではないため、利用する作業に合った評価を確認する必要がある。
Terminal Bench 2.1では、新モデルを課題ごとに5回繰り返し、Terminus 2で評価した。
DeepSWE v1.1では、新モデルを課題ごとに8回繰り返し、mini-swe-agentで評価した。
SWE Bench Pro v2の新モデルの点数は94.7で、課題ごとに5回繰り返し、同じ評価ツールを使った。
HLEテキストは、ツールなしでテキスト問題に答える能力を評価する。新モデルは問題ごとに5回答え、GPT-6 Lunaが採点した。
指示への追従を測るIFBenchはベースモデルが79.5、新モデルが82.4で、新モデルは300件のプロンプトに各4回答えた最終応答を公式採点ツールで評価した。
科学知識・推論の評価であるGPQA Diamondは、ベースモデルが89.2、新モデルが90.7だ。新モデルは198問に各8回答え、毎回選択肢の順序を変えた。
ただし、比較表のベースモデルの5.6%はTerminal Bench 4.0の結果で、新モデルとは評価バージョンが異なる。SWE Bench Pro v2のベースモデルの91.3は全642課題を対象とした別の論文から引用され、難しい課題の部分集合だけを発表したモデルは、この表では空欄とされた。
4. 重みの形式を選び、既存サーバーで呼び出す
同社はSGLangとDSparkの投機的デコーディング、つまり後続トークンを先に生成して検証する方式を推奨する。GPUと重みの形式ごとの実行設定は、公式の実行ガイドで提供している。
重みはApache-2.0ライセンスで公開された。モデルカードに示された形式ごとの重みのサイズは次のとおりだ。
表:公開された重みの形式別サイズ
条件:DaisyRose-27Bの重み。モデルカードに記載された形式ごとの概算値
単位:GB
| 形式 | 重みのサイズ |
|---|---|
| BF16 | 52 |
| FP8 | 29 |
| NVFP4 | 23 |
重みのサイズだけを見ると、FP8はBF16より約23GB、NVFP4は約29GB小さく、形式によって重みの格納に必要な容量が異なる。これは実行時のメモリ全体や速度の差を意味しない。同社の案内によると、GPU 1基でも実行でき、NVFP4にはBlackwell GPUが必要だ。開発者は手持ちの機器に合う形式を選び、サーバーを起動して、次のモデルカードの例で呼び出せる。
from openai import OpenAI
client = OpenAI(base_url="http://localhost:30000/v1", api_key="none")
SAMPLING = dict(temperature=1.0, top_p=0.95, extra_body={"top_k": 20, "min_p": 0.0})
resp = client.chat.completions.create(
model="DaisyRose-27B",
messages=[{"role": "user", "content": "How many positive divisors does 360 have?"}],
**SAMPLING,
)モデルはデフォルトで回答前に推論し、推論内容はreasoning_content、最終応答はcontentで返す。複数ターンの会話では、以前の推論内容も一緒に送れば、チャットテンプレートがそれを保持する。
5. 演算削減の利点と課題・推論のコスト
同社ブログによると、プログラムを制限された環境で実行する独自サンドボックスのクラウドインフラ費用は、同じ作業を人気のクラウドサンドボックス事業者で実行する場合より約80%低かった。一方で課題の選別・検討と実行環境の運用が必要で、プロジェクトで運用したサンドボックスは約944,000個だった。利用時にも、推論が数万トークンに及ぶと応答時間とトークン使用量が増え、以前の推論を送り返す会話ではリクエストのサイズが大きくなる。
DaisyRose-27Bは既存の実行環境で強化学習による事後学習の効果を試せる選択肢であり、導入判断の鍵は、作業ごとの性能向上と長い推論のコストを併せて測ることにある。
