DaisyRose-27B: 1200 задачи с подсилващо учене удвоиха резултата на Qwen 3.8 в Terminal-Bench 4.1

Публикувано от Svetni.me Editorial на 19 ноември 2026 г. в Изкуствен интелект

Архитектура на модела DaisyRose-27B за автономно решаване на терминални задачи
Снимка: RadixArk / Hacker News

Скок в автономността: Удвояване на резултатите в терминални среди

Изследователската лаборатория RadixArk обяви пускането на флагманския си модел с отворени тегла DaisyRose-27B [1]. Моделът е изграден върху базовата архитектура Qwen 3.8-27B и е преминал през специализирано следтренировъчно обучение чрез рамката за подсилващо учене Miles.

Резултатите от иновацията са забележителни: в индустриалния бенчмарк Terminal-Bench 4.1 моделът постига 12.0% успеваемост – повече от двойно увеличение спрямо скромните 5.6% на изходния модел Qwen 3.8-27B.

Terminal-Bench 4.1 се счита за един от най-тежките съвременни тестове за оценка на автономни софтуерни агенти. За разлика от класическите тестове за синтез на функции, тук моделът трябва да оперира в реална Linux конзола: да чете системни логове, да компилира софтуер, да коригира зависимости и да диагностицира комплексни мрежови сривове в рамките на десетки последователни стъпки.

Инфографика: Ключови стълбове и анализ
Инфографика: Ключови стълбове и анализ

Куриране на 1200 реални инженерни задачи в партньорство с Eigent AI

Ключът към пробива се крие в качеството и мащаба на учебната среда [1]. В стратегическо партньорство с компанията Eigent AI екипът на RadixArk курира база от 1200 силно специализирани, контейнеризирани практически казуса, обхващащи софтуерно инженерство, машинно обучение, киберсигурност и системно администриране.

Всеки казус представлява напълно изолиран Docker контейнер с детерминистичен механизъм за обратна връзка.

Моделът получава награда единствено ако предприетите от него команди доведат до успешен изходен код (exit code 0), преминаване на стриктни интеграционни тестове и коректно финално състояние на файловата система. Това елиминира напълно субективното оценяване и принуждава модела да развие истински умения за експериментиране и коригиране на собствените си грешки.

Рамката Miles и квантизацията в BF16, FP8 и NVFP4

За мащабиране на обучението RadixArk разработи инфраструктурната рамка Miles [1]. Тя решава критичния проблем с разпадането на стратегиите (policy collapse) при продължителни интерактивни сесии с множество стъпки.

Miles оптимизира паралелното събиране на траектории от стотици виртуални контейнери, осигурявайки висока изчислителна ефективност при актуализирането на градиентите.

Моделът DaisyRose-27B се разпространява с пълни тегла в три официални формата: стандартна BF16 прецизност за пълномащабни изследвания, FP8 за оптимизирани съвременни сървъри и свръхкомпактен NVFP4 формат, позволяващ локално изпълнение на единични потребителски работни станции с видеокарти от серията Blackwell и Ada Lovelace.

Системни методологически последици: Преходът от пасивно автодовършване към автономни операционни агенти

Успехът на DaisyRose-27B маркира преломна точка в развитието на софтуерните ИИ инструменти. Досега разработчиците разчитаха предимно на модели за автодовършване на код вътре в редактора (Copilot парадигма), които обаче са безпомощни при възникване на грешки при изпълнение или проблеми със системните зависимости.

Преминаването към подсилващо учене в затворени среди доказва, че 27-милиарден отворен модел може да постигне способности за системна интеграция, сравними с далеч по-големи затворени модели.

Това отваря пътя към напълно автономни конвейери за непрекъсната интеграция и доставка (CI/CD), където ИИ агенти самостоятелно поемат докладвани дефекти (issues), възпроизвеждат средата в контейнер, локализират дефекта, коригират кода и верифицират поправката чрез интеграционни тестове преди изпращане за преглед от човек.

Източници

  1. DaisyRose-27B: 1,200-task RL took Qwen3.8 from 5.6% to 12% on Terminal-Bench 4.1 - RadixArk / Hacker News