RadixArk, DaisyRose‑27B’yi uzun ajan görevleri için açık ağırlıklarla yayımladı
Qwen3.8‑27B tabanlı DaisyRose‑27B, uzun araç kullanımı ve kodlama görevlerine yönelik takviyeli öğrenmeyle eğitildi; BF16, FP8 ve NVFP4 kontrol noktaları Apache 2.0 lisansıyla yayımlandı.

BİR BAKIŞTA
Haberin özeti
- DaisyRose‑27B, Qwen3.8‑27B’nin mimarisini, görsel yeteneğini ve 256K bağlamını koruyor.
- BF16, FP8 ve NVFP4 kontrol noktaları Apache 2.0 lisansıyla yayımlandı.
- RadixArk, 1.200 uzun ajan göreviyle 144 H200 GPU üzerinde 18 günlük eğitim bildirdi.
- Terminal‑Bench 4.1 pass@1 sonucu sağlayıcının testinde yüzde 5,6’dan yüzde 12,0’a çıktı.
Neler değişiyor?
RadixArk, 18 Kasım 2026’da ilk modeli DaisyRose‑27B’yi Hugging Face üzerinde yayımladı. Qwen3.8‑27B tabanını kullanan model; aynı mimariyi, tokenizer’ı, sohbet şablonunu, görsel anlama yeteneğini ve 256 bin token bağlam penceresini koruyor. BF16, FP8 ve NVFP4 kontrol noktaları Apache 2.0 lisansıyla indirilebiliyor. Sağlayıcı, SGLang ve DSpark spekülatif kod çözmeyi öneriyor; örnekte OpenAI uyumlu bir API uç noktası kullanılıyor. Yönetilen bir API, fiyatlandırma veya hizmet düzeyi açıklanmadı.
Model, Miles adlı açık kaynak takviyeli öğrenme altyapısıyla; araç kullanımına dayalı, uzun ufuklu ajan oturumlarında eğitildi. RadixArk, 1.200 seçilmiş görev kullandığını ve bazı oturumların özetleme yoluyla bir milyon token’a kadar uzadığını söylüyor. Görevler çok adımlı akıl yürütme, kod düzenleme ve yüzü aşkın araç çağrısı gerektirebiliyor. Eğitim 18 gün boyunca 144 NVIDIA H200 GPU üzerinde yürütüldü; 128 GPU çıkarıma, 16 GPU eğiticiye ayrıldı ve sistem tamamen eşzamansız çalıştı.
RadixArk’ın kendi ölçümünde Terminal‑Bench 4.1 pass@1 puanı temel modeldeki yüzde 5,6’dan DaisyRose‑27B’de yüzde 12,0’a çıktı. Sağlayıcı ayrıca Terminal Bench 2.1’de 73,0’dan 75,5’e, DeepSWE’de 42,2’den 46,2’ye, SWE‑Bench Pro v2’de 91,3’ten 94,7’ye ve IFBench’te 79,5’ten 82,4’e yükseliş bildiriyor. Tablo, BF16 ve FP8 çalıştırmalarından daha yüksek olan sonucu kullanıyor. Bunlar RadixArk’ın kendi testleri; bağımsız karşılaştırma değil ve farklı çalıştırma ayarları sonuçları etkileyebilir.
Eğitim altyapısı için RadixArk, karşılaştırdığı açık eğiticinin yüzde 16’sına karşı yüzde 37 model FLOP kullanımı, uçtan uca saniyede 16,8 bin token ve yüzde 57 daha az GPU süresi bildiriyor. Sandbox katmanında dokuz haftada 944 bin ortam, 1.566 eşzamanlı tepe ve yüzde 99 başarı oranı; ekim sonundan beri yüzde 99,95’in üzerinde başarı iddia ediliyor. Bu veriler de sağlayıcının kendi üretim kayıtlarından geliyor ve başka bir iş yüküne doğrudan taşınamaz.
Bu haber AI desteğiyle hazırlanır ve kaynaklarla karşılaştırılır. Otomatik kontrol, insan editör incelemesi anlamına gelmez. Yayın yaklaşımımız
Asıl kaynaklara göz at
Kaynak tarihi: 18 Kasım 2026.
AI Radar yayın saati: 19 Kas 2026 10:10 (Türkiye).
KONUYU TAKİP ET
Konular ve etiketler
Keşfini paylaş.
Bu haberi bir arkadaşına gönder.
Okuyucu yorumları
Bu gelişme hakkında ne düşünüyorsun? Deneyimini veya sorunu paylaş. Yorumlar editör onayından sonra yayımlanır.
Adın/takma adın ve yorumun onaylanırsa herkese açık görünür. Veri işleme hakkında: Gizlilik bilgilendirmesi.






Yorumlar yükleniyor…