18天,144块英伟达H200芯片,一个免费模型的智能体测试分数从5.6%变成12.0%。做这件事的不是哪家前沿大厂,是一家叫RadixArk的初创公司。
它拿的是阿里通义千问团队的Qwen3.8-27B,一个270亿参数、任何人都能下载的模型,在此基础上继续训练,然后把成果免费放了出去。RadixArk在11月18日通过Hugging Face的博客发布了这一消息,并在X上发问:在144块GPU上,18天能把一个小模型提升多少?
它没有从零造模型
从零训练一个模型,成本是大实验室级别的数十亿。RadixArk走的是另一条路:拿现成的Qwen3.8-27B,用强化学习继续训练——让AI去尝试任务,被打分,再从做对的部分里学习。
真正的秘密在任务集上。RadixArk与合作伙伴Eigent AI在机器学习、软件工程和科学领域造了数千个候选任务,最后只留下约1200个。筛选标准有三条:每个任务针对原模型反复犯的一个错误,需要多步才能解出,且只有真正解出来才算通过,糊弄评分器没用。单次尝试最长可跑1.5小时,调用工具超过100次。
结果是,在RadixArk测试过的每一项基准上——从编程到推理——这个名为DaisyRose-27B的模型都超过了原始Qwen模型。它采用Apache 2.0许可证,可免费使用和修改。
它真正想卖的是训练工具
模型是证明,训练工具才是产品。DaisyRose-27B用RadixArk自家的免费强化学习软件Miles和自研训练后端完成训练。公司称,这套后端能把每块芯片峰值算力的37%转化为有效工作,而一个流行的开源训练器这一数字是16%。按公司的说法,同样的活儿能省下57%的GPU时间,在其他一些模型架构上收益更大。
测试环境同样被算进了成本账。每次尝试都跑在沙箱里——一份全新的、隔离的任务副本。9月中旬到11月中旬,RadixArk跑了约94.4万个沙箱,同时最多1566个,并称云账单比用主流沙箱服务商低约80%。整个run消耗约6.3万GPU小时。
数字要放回原位看
12.0%的通过率,意味着Terminal-Bench 4.1上的大多数任务它依然失败。这些结果来自RadixArk自己的测试,公司也公开请用户反馈模型在哪些地方不够用。
值得盯的是两件事:外部开发者能否在自己的任务上复现这些提升,以及其他团队会不会采用Miles训练自己的智能体。如果会,接下来可能出现的是一批建立于Qwen、Meta等免费模型之上的小型、廉价、专用模型——这对靠最强模型收费的大实验室,是实打实的压力。
热门跟贴