TIP
← 記事

AI

RadixArk、強化学習のみで訓練した27Bコーディングモデル「DaisyRose-27B」を公開

2026/11/22

RadixArk、RLのみで訓練した27Bエージェントモデルを公開

AIスタートアップのRadixArkは、同社初のオープンウェイトモデルとなるDaisyRose-27Bを公開した。Qwen3.8-27Bをベースモデルとして、SFT(教師あり微調整)や知識蒸留を一切使わず、強化学習(RL)のみによってポスト訓練を行ったエージェント型コーディングモデルだと報告されている。ライセンスはApache 2.0で、ベースモデルのドロップイン代替として利用できる。

モデルの構成

モデルカードによれば、DaisyRose-27Bはベースモデルのアーキテクチャを変更せず、総パラメータ数は27.8B(密結合)。内訳は、0.46Bの視覚エンコーダと0.42Bのマルチトークン予測(MTP)ヘッドを含む。デコーダは64層で構成され、3:1のハイブリッドパターン(Gated DeltaNet線形アテンション層3層に対してフルアテンション層1層)を採用する。隠れ層のサイズは5,120、ネイティブのコンテキスト長は262,144トークン。テキストと画像を入力として受け付け、出力はテキストの「思考型」モデルとなっている。

訓練の詳細

RadixArkはEigent AIと共同で、数千の候補タスクから精査した約1,200のカスタムタスクを構築した。各タスクはベースモデルの特定の弱点を標的にしており、各サンドボックスでは最大1.5時間、100回以上のツール呼び出し、256k超の出力トークンが許容されるという。エージェントセッション全体では最大1Mトークンに達すると同社のブログは述べている。

訓練にはRadixArk自社開発のオープンソースRLフレームワークMilesを完全非同期モードで使用した。ハードウェアはH200 GPU 144基で18日間稼働し、うち128基がエージェント推論、16基がモデル更新を担当。総計算量は6万3,000 GPU時間と報告されている。

効率面では、RadixArkは内部バックエンドで**MFU 37%**を達成したと報告している。オープンソースのMegatronベーストレーナーでは16%にとどまり、エンドツーエンドのスループットは16,800トークン/秒 対 8,300トークン/秒で約2倍の差があるとされる。これによりGPU時間を57%削減できたと主張している。

サンドボックス環境にはAgentENVを使用。9月中旬から11月中旬の2カ月間で約94万4,000のサンドボックスを生成し、ピーク時の同時実行数は1,566、9週間の生成成功率は99%と報告されている。コストは一般的なクラウドサンドボックスプロバイダーと比べて約80%削減できたとしている。

ベンチマーク結果

以下の結果はいずれもRadixArkによる自己報告値であり、DaisyRose-27Bのスコアはそれぞれ最高精度のBF16版とFP8版のいずれか高い方を採用したものだ。

ベンチマークDaisyRose-27BQwen3.8-27B差分
Terminal Bench 4.1(pass@1)12.05.6+6.4
Terminal Bench 2.175.573.0+2.5
DeepSWE v1.146.242.2+4.0
SWE Bench Pro v294.791.3+3.4
HLE(テキストのみ)34.333.9+0.4
IFBench82.479.5+2.9
GPQA Diamond90.789.2+1.5

最大の改善はTerminal Bench 4.1で、18日間のRL訓練によってベースモデルから倍増以上を記録したと報告されている。コーディング関連の指標でも一定の向上が見られる一方、HLE(テキストのみ)は+0.4にとどまり、比較対象とされたInkling 2 Small(総計594B)の44.1を下回っている。RadixArkが集計した9モデル比較表でDaisyRose-27Bがトップに立つのはIFBenchのみ(82.4)で、Terminal Bench 4.1ではMiMo V2.6 Flash(総計309B)の16.1に及ばないと報告されている。

デプロイ要件

DaisyRose-27Bは1枚のGPUで動作する。RadixArkが示した精度別のおおよそのVRAM使用量は、BF16で約52GB、FP8で約29GB、NVFP4(Blackwellのみ)で約23GB。対応ターゲットとして列挙されているのはH200、B200、GB300、RTX PRO 6000、RTX 5090、DGX Spark。GGUFフォーマットも提供されている。


SFTや蒸留を使わずRLのみでここまでのコーディング能力向上を実現したとする点は注目に値するが、ベンチマーク数値はすべて自己報告値であり、独立した第三者による検証は現時点では確認できない。大規模MoEモデルとの差が残る領域もあり、実用的な評価には継続的な観察が必要だろう。


出典: RadixArk Ships DaisyRose-27B, a 27B Agentic Coding Model Trained With Reinforcement Learning Only