RadixArk初のLLM「DaisyRose-27B」公開:後処理訓練の効率を追求

米RadixArkは2026年11月19日、同社初となる大規模言語モデル「DaisyRose-27B」を発表しました(Hugging Face Blog)。このモデルは、既存のQwen3.8-27Bを基盤とし、RadixArkが開発したオープンソースの強化学習フレームワーク「Miles」を使って後処理訓練されています。

DaisyRose-27Bは、Qwen3.8-27Bのアーキテクチャ、トークナイザー、チャットテンプレート、画像理解、256Kトークンのコンテキストウィンドウを維持しています。

長期間のエージェントタスクに特化しており、最大100万トークンに及ぶセッションでの訓練が行われました。わずか1200件の厳選されたタスクを18日間で、144基のNVIDIA H200 GPUを活用して効率的に学習を完了したとのことです。

ベンチマークで大幅な性能向上:特にTerminal-Bench 4.1で顕著な成果

DaisyRose-27Bは、ベースモデルであるQwen3.8-27Bと比較して、複数の主要なベンチマークで性能向上を示しています。特にTerminal-Bench 4.1では、pass@1スコアがQwen3.8-27Bの5.6%から12.0%へと倍増し、大きな進歩を遂げました。これは、長期間にわたる複雑なエージェントタスクにおけるモデルの推論能力と問題解決能力が大幅に向上したことを示唆しています。

以下の表は、主要なベンチマークにおけるQwen3.8-27BとDaisyRose-27Bのスコア比較です。

ベンチマーク Qwen3.8-27B DaisyRose-27B
Terminal Bench 4.1 5.6 12.0
Terminal Bench 2.1 73.0 75.5
DeepSWE v1.1 42.2 46.2
SWE Bench Pro v2 91.3 94.7
HLE (テキストのみ) 33.9 34.3
IFBench 79.5 82.4
GPQA Diamond 89.2 90.7

これらのスコアは、各ベンチマークにおいてBF16とFP8の実行結果のうち高い方を使用しており、両者の差は1ポイント未満です(Hugging Face Blog)。BF16、FP8、およびNVFP4のチェックポイントがApache 2.0ライセンスで公開されており、開発者はすぐに試すことが可能です。

効率的な訓練を可能にした三つの要素

RadixArkは、DaisyRose-27Bの高い訓練効率を可能にした要因として、以下の3点を挙げています(Hugging Face Blog)。

  1. 高品質な訓練データ: Eigent AIとの協力により、機械学習、ソフトウェア工学、科学などの分野における数千のタスク候補から、約1200件の高品質なタスクを厳選しました。これらのタスクは、ベースモデルの弱点を補強し、複数の相互依存するステップを必要とする長期的な問題解決能力を養うように設計されています。各タスクは、1.5時間のサンドボックス実行時間、100以上のツール呼び出し、256Kトークン以上の出力に対応しています。
  2. 効率的な訓練バックエンド: RadixArkのオープンソース強化学習フレームワーク「Miles」を非同期モードで使用することで、エージェントの作業とモデルの学習が並行して進行し、互いに待機することなく効率的な訓練が実現しました。
  3. 信頼性の高いサンドボックス: モデルの試行をレビューし、本来の問題を解決せずにパスできてしまうタスクや設計上の欠陥があるタスクは修正または削除されました。

これらの取り組みにより、限られた計算リソース(144基のH200 GPU、18日間)で顕著な性能向上を達成できたと考えられます。

今後の展開:エージェントLLMの新たなスタンダードとなるか

DaisyRose-27Bは、Qwen3.8-27Bという堅牢な基盤モデルを、特定の目的のために効率的に後処理訓練することで、エージェントタスクにおける性能を大きく引き上げました。このようなアプローチは、限られたリソースで特定のユースケースに特化した高性能LLMを開発する際の有効な戦略として、今後さらに注目されるでしょう。オープンソースで公開されたことで、コミュニティによる更なる改善や多様なアプリケーションへの応用が期待されます。

特に、大規模なGPUクラスターを持つスタートアップや研究機関が、特定のドメイン知識をLLMに効率的に注入する際のベンチマークとなる可能性も秘めていると感じます。今後のエージェントLLM開発のトレンドを牽引する存在となるかもしれません。

エンジニア目線で見ると:エージェントタスク特化の可能性と推論能力の向上

今回のDaisyRose-27Bの発表は、特にLLMをエージェントとして活用しようとしている開発者にとって、かなり興味深いニュースだと感じます。Terminal-Bench 4.1でのpass@1スコアの大幅な向上は、単なるテキスト生成能力だけでなく、複雑な問題解決プロセスや長期的な計画実行における推論能力が強化されていることを強く示唆しています。私の普段の仕事で、Claude CodeのようなAIコーディングツールを使ってバイブコーディングをしているのですが、より複雑なロジックや多段階のタスクを任せる上で、このような推論能力の向上は非常に重要だと感じます。

今回の訓練手法は、特定のミスの修正や多段階のステップを要するタスクに焦点を当てており、既存のLLMの弱点をピンポイントで改善しようとするアプローチは非常に合理的です。自作PCでローカルLLMを動かしている身としては、Apache 2.0ライセンスで公開されている点が非常に魅力的です。Pythonバインディングもあるので、既存のアプリケーションに組み込みやすいのではないでしょうか。

SGLangやDSparkといった推論最適化ツールとの組み合わせも提案されており、高性能な推論環境を比較的容易に構築できそうな予感がします。ただ、具体的なリソース要件や推論時のレイテンシーなど、実運用における詳細な評価は別途必要だと考えます。