DaisyRose-27B:RL を適用したモデルが Terminal-Bench 4.1 で、Qwen3.8 のスコアを 5.6% から 12% に向上させた。

2026/11/19 4:39

DaisyRose-27B:RL を適用したモデルが Terminal-Bench 4.1 で、Qwen3.8 のスコアを 5.6% から 12% に向上させた。

RSS: https://news.ycombinator.com/rss

要約▶

Japanese Translation:

RadixArk は、Qwen3.8-27B を基盤とした強化学習に基づく AI モデル「DaisyRose-27B」を公開し、複雑かつ長期のデジタルタスクの実行において先行モデルを大幅に凌駕しています。Miles フレームワークを用いて、144 台の H200 GPU で全非同期モードで学習を行い、処理速度は 2 倍向上(16,800 トokens/sec 対 8,300/tokens/sec)、コストは劇的に削減されました。具体的には標準的なプロバイダーに比べてトレーニングコストが 57% 低減、クラウドインフラコストが 80% 低減 を実現しています。この効率化は、推論を 128 台の GPU で実行しつつ、16 台を能動学習のために確保することで達成されています。

特に重要な点として、DaisyRose-27B は Terminal-Bench 4.1 の pass@1 スコアを 5.6% から 12.0% に向上させ、すべてのベンチマークにおいて元の Qwen3.8-27B を凌駕しています。本モデルは、単回の試行で 100 回以上のツール呼び出しを含む複雑なワークフローをサポートし、最大 1.5 時間にわたり 256k トokens 以上の出力を生成します。BF16、FP8、NVFP4 フォーマットで提供される DaisyRose-27B は、現在のアウプソース標準よりも高速かつ安価な代替手段を提供すると同時に、99.95% 以上の成功率を持つ高信頼性のサンドボックスインフラを提供します。

本文

RadixArk が発表した「DaisyRose-27B」:Qwen3.8 基盤と Miles レインフォースメントによる長期的タスク特化モデル

今日、RadixArk は初めて Qwen3.8-27B を基盤とし、強化学習手法 Miles を用いて訓練した新モデル 「DaisyRose-27B」 を発表しました。

概要と性能成果

  • 開発目的: セッション長最大 100 万トークン に達する長期タスクの遂行を目指します。
    • 144 基の H200 GPU を使用し、18 日間 の訓練期間で構築されました。
  • 主要ベンチマーク:
    • Terminal-Bench 4.1: 「pass@1」スコアが 5.6% から 12.0% に大幅向上(約 2.1 倍)。
    • Terminal-Bench 4.1 を超える他、推論、指示従順性、コーディング関連の多岐にわたるベンチマークでも性能向上を達成しています。
  • モデル公開: BF16、FP8、および NVFP4 のすべてのチェックポイントを公開し、研究開発への活用を推奨しています。

DaisyRose-27B は元の Qwen3.8-27B モデルを上回るスコアを獲得しており、その成果の核となるのは以下の 3 つの要素です。

1. 高品質な訓練データ(Eigent AI と連携)

膨大なタスクプールから厳選され、最終的に約 1,200 件 のトレーニングセットが採用されました。選抜基準は以下の通りです。

  • ターゲット指向のミスの是正
    • 元のモデルが犯しやすい特定のミスを対象に設計。
    • 全てのタスクで元の Qwen3.8-27B を実行し、再発を防止するよう慎重に改修。
    • 学習難度を調整し、「簡単すぎず、難しいこともない」バランスを実現。
  • 複雑な長期タスク
    • 複数の問題が連鎖的に含まれ、相互依存する一連の問題を処理する長時間作業。
    • エージェントは多段階の推論、計画、実行を行わなければなりません(navigating)。
    • 各試行はサンドボックス環境内で最大 1.5 時間 実行され、以下を生成します:
      • ツール呼び出し: 100 回以上
      • トークン数: 256,000 トークン以上(出力を含む)
  • 報酬ハッキングの排除
    • 全試行を徹底的にレビュー。
    • 問題解決なしに通過可能なタスクや設計上の不備は、訓練前に修正または削除済み。

2. 効率的な訓練バックエンド(Miles フレームワーク)

RadixArk はオープンソースの事後訓練用強化学習フレームワーク Miles を採用しました。

  • 完全非同期モード: エージェントが作業を継続する一方、モデルも学習を続け、相互に待機する必要がありません。
  • リソース配分 (144 基 H200 GPU):
    • 推論用: 128 基(エージェントタスク担当)
    • トレーニング用: 16 基(軌跡からの学習担当)
    • 各ステップ後、更新されたモデルを 128 基の GPU に配信。

【主要な性能指標】

  • 訓練コスト 57% の削減
    • GPU のピーク計算能力のうち、37% が有効な訓練作業(FLOPs 利用率)に投入。
    • Megatron を基盤とするオープンソーストレーナーとの比較:同等の実行で 16% に留まる中、57% の削減を実現。
    • Mixture-of-Experts モデルではさらに効果的(Qwen3.6-35B-A3B で 6.2 倍、GLM-5.3-Flash で 10 倍以上の効率向上)。
  • エンドツーエンドで 2 倍の高速化
    • エージェント作業時間を含む総計において、144 GPU あたり約 16,800 トークン/秒。
    • オープンソーストレーナー(同環境): 約 8,300 トークン/秒。
  • 数週間にわたる安定した性能
    • 総計 63,000 GPU アワー にわたり、速度と効率性を一貫して維持。

3. ロバストなサンドボックスサービス

エージェントの全試行はサンドボックス環境内で実行され(コマンド実行・ファイル編集・評価)、RadixArk チームはオープンソースプロジェクト AgentENV を基盤としています。

  • 9 月中旬〜11 月中旬までの期間中、約 944,000 のサンドボックス が実行され、最大 1,566 個 が同時動作しました。

【信頼性とコスト効率】

  • 信頼性の向上:
    • 単一マシンから最多 12 マシンへ拡張。
    • メモリ不足によるフリーズ防止などの安定化対応により、サンドボックス創設成功率は 99% を達成(10 月下旬以降は 99.95% 超)。
  • コスト 80% の削減:
    • クラウドインフラストラクチャコストが同等の実行と比較して約 80% 低減。
    • 使用量に応じた伸縮メモリ割り当てにより、単一マシンのサンドボックス密度を大幅に向上。

ダイアリーローズ-27B の活用と今後の展開

  • 入手方法: Hugging Face からダウンロード可能です。
  • カスタム訓練: オープンソースフレームワーク Miles を用いてご自身のエージェントも訓練可能です。
  • 開発理念: 専門モデル開発チーム向けに、必要能力の向上を維持しつつ広範な強みを活かすアプローチを提供します。事後訓練のご相談は
    contact@radixark.ai
    まで。

謝辞と評価方法について

Eigent AI、Qwen チーム、Miles や SGLang コミュニティ、slime、AgentENV、Harbor などのオープンソースプロジェクトに心よりお礼申し上げます。

【評価メトリクス】

  • Terminal Bench 4.1: 8 回実行平均化(mini-swe-agent ハッシャン、サマリーゼーションオン)
  • Terminal Bench 2.1: 5 回実行平均化(Terminus 2 ハッシャン)
  • DeepSWE v1.1 & SWE Bench Pro v2: 8 回/5 回実行平均化(mini-swe-agent ハッシャン)
  • HLE (テキストのみ): 5 回実行平均化(GPT-6 Luna 評価、ツールなし)
  • IFBench: 300 プロンプト×4 回実行平均化(official allenai/IFBench スコアラー)
  • GPQA Diamond: 8 回実行平均化(simple-evals テンプレート、解答順序シャッフル)

[注] DaisyRose-27B は上記のすべてのベンチマークにおいて、元の Qwen3.8-27B モデルを上回るスコアを取得しました。

同じ日のほかのニュース

一覧に戻る →

2026/11/19 0:19

Nginx における認証不要のリモートコード実行脆弱性

## 日本語翻訳: 要約は読みやすく整理されているものの、セキュリティ専門家や管理者が即座に対応するために必要な「重要ポイントリスト」に含まれる詳細な技術情報は不足している。具体的には CVE ID、バージョン番号、緩和コマンドが含まれていない。以下は、これらの欠落した事実を統合しつつ明瞭性を保った改訂版である。 ```markdown ## 改善された要約: Wiz Research、Ikotas Labs、Metnir、Rapid7、Xint を含むセキュリティ企業が個別に発見した NGINX ウェブサーバーの 2 つの重大な脆弱性(CVE-2026-123633 および CVE-2026-123007)について。これらの欠陥は、具体的に HTTP/2 の Use-After-Free エラーと整数アンダーフローであり、バックエンドアプリケーションが安全であっても攻撃者が任意のコードを実行しデータを盗み出すことを可能にする。これらの問題は CVSS スコア 9.2 を有し、CVE-2026-123007 は 2015 年にさかのぼり、コード上は最大 10 年間にわたって存在していた。攻撃を遂行するためには HTTP/2 が有効化されている必要があるが、標準的な緩和策である ASLR(アドレス空間のランダム化)も保護を提供せず、攻撃者は実行前にメモリを読み取ることができるためである。F5 は 2026 年 11 月 18 日にパッチをリリースし、組織に対し NGINX OSS 1.30.7/1.31.9 または NGINX Plus 37.0.7.1/37.0.8.1 への即時アップグレードを推奨している。即時アップグレードが不可能な場合、管理者は一時的に HTTP/2 を無効にする (`http2 off;`) べきである。これらの欠陥を無視することは、サーバーの既存のセキュリティ態勢に関わらず、完全な侵害に対して脆弱であることを意味する。 ```

2026/11/19 6:34

Gemini 4 ネオン

## Japanese Translation: Gemini 4 Neon は、大幅に低いコストで最先端レベルの成果を提供する高性能 AI モデルとして導入されます。入力トークンあたり 3 ドル、出力トークンあたり 15 ドルの料金設定(キャッシュされた入力は 95% の割引が適用)を有し、100 万 トークンの巨大なコンテキストウィンドウを搭載しています。ソフトウェア工学、知識労働、科学の分野における複雑なタスクにおいて、より高速な完了時間を提供します。 このモデルは、記録的な低い製造コストを実現するとともに、Terminal-Bench 4.0 における不正行為をゼロに抑えています。ベンチマークでは、人工分析知能指数で総合第 3 位(61)、Vals Index で第 2 位を獲得しました。特定分野においては、法務研究ベンチと税務エージェントベンチで第 1 位、財務および会計に関する大部分の Surge AI ベンチマークで第 1 位、チャートグラフィにて 73.5% のスコアを記録し、Terminal-Bench Science(70.5%)および RiemannBench(84.0%)において最高クラスの性能を発揮しています。 プロダクション環境でのコード生成においては、Google Antigravity 内の SWE-sweep で最良の結果の 3 倍という成果を達成(39.0% vs 12.8%)し、人工分析コーディングエージェント指数で第 1 位(58.6)となっています。また、サイバー防御においても優れており、WebExploitBench v1.2 で最良の性能(51.26%)、ハードティアの AutoBaxBench では高いパフォーマンスを達成しており、これらは競合モデルの約半分のコストで実現されています。 安全性は核心的な強みであり、Gray Swan の IPI ベンチマークにおける攻撃成功率は 0.0%、エージェントの誠実さ評価での合格率は 99.2% を記録しています。本モデルは現在、Gemini API、Google AI Studio、Gemini for business、Google Antigravity(有料 Pro/Ultra ユーザー向け)、および Gemini アプリ(Pro/Ultra サブスクリプター向け)を通じて利用可能です。また、サイバーセキュリティの防御者向けの専用アクセスプログラム「Fairwind Program」もまもなく開始されます。パレートのフロンティア性能と 32%~80% の低減された運用コストを組み合わせることで、Gemini 4 Neon は効率的な AI において新たな業界標準を設定します。

2026/11/19 1:08

7 つの新型モデルで、スケーラブルな価格性能を提供します

## Japanese Translation: 2026年11月17日、マイクロソフト・ignite(Ignite)でMAIは、価格対性能比に優れる7種類の新しいモデルを発表し、AIの景観を革命的に変えました。主なハイライトとしては、サイバーギム-E2EベンチマークにおいてGPT-6 Astraと同等かそれ以上の性能を達成しながら、そのコストの2%未満で実現する**MAI Cyber 2 Flash**、GPT-6.1 Solの98%およびClaude Opus 5.5の96%に達し、それぞれの価格の40%および5%のfraction(小数倍)で実現する**MAI Code 2 Performance**、競合製品の手頃な価格の1/5で画像編集分野で#1、テキストから画像生成分野で#4を達成した**MAI Image 2.7**などが挙げられます。また、このスイートには、GPT-Realtime 2.1を凌駕する性能を持つ(開始価格$0.01/min)「**MAI Realtime 1**」、月間1,000万件の患者受診に対応しエラー率を半減させる**Dragon Copilot Transcribe**、GPT-6.1 Solと比較して50倍速くかつ79倍安いマイクロソフトの「**Decision 1.1**」も含まれています。これらの進展は、生産段階にある新しい「**Maia 200 AI アクセラレータ**」(ワット当たり1.7倍多くのトークンを提供)と、プライベートなAzure環境内でプロプライエタリなデータを用いた安全なカスタマイズを可能にする新機能「**Licensed Weights**」によって支えられており、これにより完全なデータ主権とIP制御が確保されています。