DaisyRose-27B 공개, 장기 에이전트 작업 강화학습으로 Terminal-Bench 성능 향상
주요 내용 RadixArk이 Qwen3.8-27B를 기반으로 Miles 강화학습을 적용한 DaisyRose-27B를 공개했다. 선별한 1,200개 작업으로 학습했으며, 자체 보고에서 Terminal-Bench 4.1 pass@1이 기반 모델의 5.6%에서 12.0%로 높아졌다. 활용 사례 원문은 SGLang과 DSpark speculative decoding으로 모델을 서빙하고 OpenAI Python 클라이언트로 요청하는 방법을 제공한다. 추론 과정은 reasoning_content, 최종 답변은 content에서 읽는다. 비용 및 제약 BF16·FP8·NVFP4 체크포인트는 Apache 2.0으로 제공된다. 추론 컨텍스트는 256K이며, 최대 1M 토큰 학습 세션은 하네스 요약을 사용한 것으로 추론 컨텍스트 확장을 뜻하지 않는다. 서빙 비용은 미확인이다.
원문 보기