In den Nachrichten
DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency
Hugging Face · Veröffentlicht am · 3 Min. Lesezeit
In 30 Sekunden
- Was passiert ist
- RadixArk released DaisyRose-27B, a 27-billion-parameter model fine-tuned via reinforcement learning on long-horizon agent tasks, improving Terminal-Bench 4.1 from 5.6% to 12.0% pass rate.
- Warum es zählt
- Engineers building or deploying agentic systems should care, especially those working with reasoning tasks, software engineering benchmarks, or long-context agent training on limited compute budgets.
- Achtung
- The model was trained on only 1,200 curated tasks over 18 days; generalization beyond these specific domains and real-world agent performance remain unvalidated by independent evaluation.
Den vollständigen Artikel lesen
- post-train
Die Patterns dahinter
Jedes zeigt, wie die Technik arbeitet, wann sie ihren Aufwand wert ist und wo sie scheitert.
The Agent Architect
Ein Pattern, ein Tradeoff, eine Produktionspanne. Ein kurzes wöchentliches Briefing für alle, die agentische Systeme bauen.
Wöchentliche E-Mail, Abmeldung mit einem Klick. Ihre Adresse wird nur für das Briefing verwendet.