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

사이트 이용 설정을 저장합니다. 분석을 허용하면 방문과 페이지 이용 현황도 측정합니다.

분석이 꺼져 있습니다.

쿠키 정책