DaisyRose-27B、効率的なポストトレーニングでベンチマークスコアを向上
RadixArkがDaisyRose-27Bを公開しました。このモデルは、新しい非同期トレーニングフレームワークとコスト効率の高いサンドボックスインフラストラクチャを使用することで、主要なベンチマークにおいてQwen3.8-27Bを上回る性能を発揮しています。
英語の原文から自動翻訳されました。
RadixArkは、ポストトレーニングの効率性と性能において顕著な改善を示す新しいオープンウェイト言語モデル「DaisyRose-27B」をリリースしました。2026年11月に発表されたこのリリースは、慎重なデータキュレーションと専門的なインフラストラクチャにより、計算コストの比例増加なしにモデル能力を強化できることを浮き彫りにしています。本モデルはQwen3.8-27Bアーキテクチャに基づいて構築されていますが、ベースモデルに見られる特定の弱点を修正するために、新規なトレーニングアプローチを採用しています。
今回のリリースは、既知のモデル失敗に対処するために特別に生成されたトレーニングデータを用いる、よりターゲットを絞った強化学習戦略への転換を示しています。高品質でエラーに焦点を当てたタスクと非同期トレーニングバックエンドを組み合わせることで、RadixArkはベンチマークスコアと運用効率の両方で大幅な向上を達成しました。このアプローチにより、モデルは数週間にわたる連続稼働でも安定したトレーニングダイナミクスを維持しながら、長期間にわたるエージェントタスクから学習することが可能になります。
何が起きたか
DaisyRose-27Bは、評価されたすべてのベンチマークにおいて、元のQwen3.8-27Bモデルを上回りました。最も注目すべき改善はTerminal Bench 4.1で見られ、pass@1スコアは5.6%から12.0%に上昇しました。これらの結果は、各ベンチマークにおけるBF16とFP8の実行のうち高い方の値に基づいて算出されており、両方の精度形式がテストされた場合、その差は1ポイント未満でした。モデルカードには、再現性を確保するための比較ソースと評価設定の詳細が記載されています。
開発プロセスは、3つのコアコンポーネントに依存していました。入念に設計されたトレーニングタスク、Milesと呼ばれる効率的なトレーニングバックエンド、そして堅牢なサンドボックスサービスです。RadixArkはEigent AIと提携してトレーニングデータを作成し、機械学習、ソフトウェアエンジニアリング、科学などの分野にある大規模なタスクプールからスタートしました。数千件の候補の中から、学習有用性を最大化することを目的とした厳格な基準に基づき、最終的なトレーニングセットとして約1,200件のタスクが選択されました。
各タスクは、元のQwen3.8-27Bモデルが行う特定のミスに対応するように設計されました。チームはベースモデルをすべての候補タスクで実行し、排除したいエラーを中心に再設計しました。難易度レベルは、解決率が学習にとって有用な範囲内になるまで調整されました。さらに、各タスクは複数の相互依存するステップを必要とし、エージェントに対して長期ジョブでの推論、計画、実行を強制します。サンドボックス内での試行は最大1.5時間続き、100回以上のツール呼び出しを含み、256,000トークン以上の出力を生成します。意図した問題を対処せずに解決できるタスクや、設計上の欠陥があるタスクは削除または修正されました。
仕組み
トレーニングインフラストラクチャは、RadixArkが開発したオープンソースの強化学習フレームワークであるMilesを使用しており、完全な非同期モードで動作します。この設定では、エージェントがタスクに対する作業を継続する一方で、モデルは過去の軌跡から学習するため、どちらのプロセスも他方を待機する必要がありません。システムは、エージェントタスクの推論用に128台のH200 GPUと、トレーナー用に追加の16台のGPUを割り当てます。すべてのトレーニングステップの後、更新されたモデルはエージェントを実行している128台のGPUへ即座に配布されます。
このバックエンドは、各ステップが非常に長いセッション(一部は最大100万トークンに達する)から学習するエージェントトレーニング向けに最適化されています。これらのセッションは、ハーネス要約を通じて複数の軌跡に折り畳まれます。今回のリリースでは、GPUピーク計算能力の37%が有用なトレーニング作業(モデルFLOPs利用率:MFUとして知られる)に使用されました。対照的に、Megatronに基づくオープンソーストレーナーは、同等の実行でわずか16%のMFUしか達成できませんでした。この効率性の向上は、同じトレーニング成果を得るために必要なGPU時間を57%削減することにつながります。
効率性の優位性は、混合専門家(Mixture-of-Experts)モデルでさらに顕著です。Qwen3.6-35B-A3Bでは速度向上は6.2倍、約3000億パラメータを持つGLM-5.3-Flashでは10倍以上です。エンドツーエンドでは、リリース時の実行は144台のGPU全体で毎秒約16,800トークンを処理し、オープンソーストレーナーの毎秒8,300トークンと比較されました。システムは数週間のトレーニングを通じて安定を保ち、速度や効率の低下なく63,000 GPU-hoursを蓄積しました。
主要な詳細
- DaisyRose-27Bは、Qwen3.8-27Bと比較してTerminal Bench 4.1のpass@1を5.6%から12.0%に改善しました。
- トレーニングセットは、数千件の候補から選ばれた1,200件のタスクで構成され、それぞれがベースモデルの特定のエラーを対象としています。
- 非同期トレーニングフレームワークであるMilesは、オープンソースのMegatronベーストレーナーの16%に対し、37%のMFUを達成しました。
- システムは144台のH200 GPUを使用し、うち128台を推論、16台をトレーニングに割り当て、毎秒最大16,800トークンを処理しました。
- サンドボックスインフラストラクチャのコストは、一般的なクラウドプロバイダーよりも80%低く、10月下旬以降の作成成功率は99.95%でした。
- トレーニングには、最大1.5時間のセッションが含まれ、1回の試行あたり100回以上のツール呼び出しと256Kの出力トークンが発生しました。
なぜ重要なのか
AIエージェントを開発するエンジニアにとって、このリリースは非同期アーキテクチャを通じてポストトレーニングの効率性を劇的に改善できることを実証しています。従来の同期トレーニングでは、モデルがデータ生成を待つか、その逆の状態になりがちであり、進捗のボトルネックとなることがよくあります。これらのプロセスを分離することで、RadixArkは長期タスクを処理しながら高いGPU利用率を維持することが可能であることを示しています。これは、莫大な計算コストをかけることなく、複雑な多段階の問題に対してモデルを訓練する必要がある開発者にとって極めて重要です。
エラー特化型データキュレーションへの注目は、モデル改善における実践的な教訓も提供しています。膨大なデータセットによる汎用的な事前学習の代わりに、高品質で難しいタスクを用いて既知の失敗モードを狙い撃ちにすることで、大きな性能向上をもたらすことができます。このアプローチには、タスクがショートカットで解決できないことを確認するための厳格な検証が必要ですが、その結果得られるモデルは現実世界のアプリケーションにおいてより頑健になります。MilesフレームワークやAgentENV貢献を共有する透明性は、コミュニティがこれらの効率化技術を採用することをさらに促進します。
やれること
- Hugging FaceハブからDaisyRose-27Bをダウンロードし、あなたの具体的なワークフローでのパフォーマンスをテストしてください。
- SGLangサービングガイドを確認し、本番環境でモデルを効率的にデプロイしてください。
- Milesフレームワークを使用して独自のエージェントを訓練し、説明されている非同期トレーニング手法を活用してください。
- 内部ベンチマークでモデルを評価し、残存する欠点の特定に役立つよう、結果をモデルのCommunityタブで共有してください。
- RadixArkとEigent AIが使用したタスク選択基準を研究し、あなた自身のデータキュレーションパイプラインを改善してください。
- AgentENVプロジェクトを検討し、あなた自身のエージェントトレーニングニーズに応じたコスト効率の高いサンドボックス環境を構築してください。



