
DaisyRose-27B: نموذج RadixArk الأول يرفع Terminal-Bench من 5.6% إلى 12.0%
بقلم علي المنتصر — محلل ومحرر تقني أول
أطلقت RadixArk نموذج DaisyRose-27B المبني على Qwen3.8-27B بترخيص Apache 2.0 ونافذة سياق 256K توكن. دُرّب بـ 1,200 مهمة وكيلية في 18 يوماً على 144 وحدة H200، محققاً قفزة في Terminal-Bench 4.1 من 5.6% إلى 12.0% وخفض تكلفة التدريب 57%. النموذج متاح للتحميل فوراً على Hugging Face مع دعم SGLang وDSpark للتشغيل.
الموجز الإحصائي السريع
أعلنت RadixArk رسمياً عن إطلاق نموذجها الأول DaisyRose-27B المبني على Qwen3.8-27B، بترخيص Apache 2.0 ومتاح للتحميل فوراً على Hugging Face. دُرّب النموذج بـ 1,200 مهمة وكيلية في 18 يوماً على 144 وحدة H200، محققاً قفزة في Terminal-Bench 4.1 من 5.6% إلى 12.0%.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | مجاني بالكامل — ترخيص Apache 2.0 مفتوح المصدر، لا رسوم ترخيص أو اشتراك. تكلفة التشغيل تقتصر على استضافة GPU الخاصة. |
| 🌐 المنصات والتوفر الفوري | Hugging Face (تحميل مباشر) + SGLang cookbook للتشغيل على منفذ 30000 + دعم DSpark speculative decoding + إطار Miles للتدريب. |
| ⚡ الأداء ومؤشرات السرعة | 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: 33.9 ← 34.3 | IFBench: 79.5 ← 82.4 | GPQA Diamond: 89.2 ← 90.7 |
| 🛡️ الأمان ومقاومة الاختراق | بيئات sandbox معزولة بنسبة نجاح 99% (تجاوزت 99.95% منذ أواخر أكتوبر)، و944,000 sandbox مُشغّل مع 1,566 متزامناً كحد أقصى. |
| 🧠 سياق الذاكرة (Context Window) | 256K توكن (موروث من Qwen3.8-27B) + جلسات تدريب وكيلية حتى 1M توكن عبر harness summarization. |
| 🌍 دعم اللغة العربية والمنطقة | يرث tokenizer Qwen3.8-27B متعدد اللغات وفهم الصور. لا تقييم عربي صريح في البيان الرسمي. |
تفاصيل الإعلان والميزات التقنية الجديدة
بُني DaisyRose-27B على معمارية Qwen3.8-27B مع الاحتفاظ الكامل بالـ tokenizer وقالب المحادثة وفهم الصور ونافذة السياق 256K توكن. خضع النموذج لتدريب معزز (RL) باستخدام إطار Miles مفتوح المصدر الذي طورته RadixArk، في وضع غير متزامن بالكامل: 128 وحدة H200 تُشغّل الاستدلال على مهام الوكيل بينما 16 وحدة تُشغّل المدرب، مع تحديث النموذج بعد كل خطوة. اعتمد التدريب على 1,200 مهمة منتقاة بالتعاون مع Eigent AI من آلاف المرشحين، كل منها يستهدف خطأً محدداً في النموذج الأصلي ويتطلب أكثر من 100 استدعاء أداة و256K توكن إخراج في جلسة تصل إلى 1.5 ساعة.
حققت البنية الخلفية للتدريب كفاءة MFU بنسبة 37% مقابل 16% للمدرب مفتوح المصدر المبني على Megatron، ما يعني خفض تكلفة التدريب بنسبة 57% لنفس المهمة. بلغت سرعة التدريب 16,800 توكن/ثانية عبر 144 وحدة H200 مقابل 8,300 للمدرب المفتوح المصدر (ضعف السرعة). استمر التدريب أسابيع بإجمالي 63,000 ساعة GPU مع ثبات كامل في السرعة والكفاءة من الخطوة الأولى إلى الأخيرة. كما خُفضت تكاليف البنية السحابية للـ sandboxes بنسبة 80% مقارنة بمزودي الخدمات السحابية الشائعة.
المقارنة المعيارية والأداء التنافسي
يتفوق DaisyRose-27B على Qwen3.8-27B في كل البنشماركات السبعة المعلنة. أكبر قفزة في Terminal-Bench 4.1 حيث ارتفع pass@1 من 5.6% إلى 12.0% (أكثر من الضعف). في SWE Bench Pro v2 ارتفع من 91.3 إلى 94.7، وفي IFBench من 79.5 إلى 82.4، وفي GPQA Diamond من 89.2 إلى 90.7، وفي DeepSWE v1.1 من 42.2 إلى 46.2. تُحتسب الدرجات بأعلى نتيجة بين تشغيلي BF16 وFP8، مع فرق أقل من نقطة واحدة حيث جرى التقييم المزدوج. على نماذج mixture-of-experts حقق المدرب مكاسب أكبر: 6.2× على Qwen3.6-35B-A3B وأكثر من 10× على GLM-5.3-Flash (نحو 300 مليار معامل).
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
يُعد DaisyRose-27B فرصة عملية للمطورين العرب لأنه مجاني بترخيص Apache 2.0 وقابل للتشغيل محلياً على بنية GPU واحدة، ما يلغي تكاليف الاشتراك الشهرية للمشاريع الناشئة. وراثة tokenizer Qwen3.8-27B متعدد اللغات توفر تغطية عربية أساسية، لكن البيان الرسمي لا يقدم أرقاماً لكفاءة التوكنز العربية تحديداً، لذا يُنصح بإجراء تقييم داخلي قبل الاعتماد الإنتاجي. نافذة السياق 256K تتيح معالجة مستندات عربية طويلة (تقارير، عقود، أبحاث) في جلسة واحدة، بينما تفتح قدرات الوكيل الطويلة (1M توكن تدريبياً) حالات استخدام في أتمتة المهام البرمجية والتحليلية. التكلفة المنخفضة للتدريب (57% أقل) تفتح الباب أمام الفرق العربية لبناء نماذج متخصصة على Miles.
الخلاصة والتطلعات القادمة
يمثل DaisyRose-27B خطوة أولى قوية من RadixArk تُثبت أن كفاءة ما بعد التدريب (post-training) يمكن أن تتفوق على التوسع الخام في الحجم. الجمع بين 1,200 مهمة عالية الجودة، وبنية تدريب غير متزامنة بكفاءة 37% MFU، وsandboxes بنسبة نجاح 99.95%، يقدم نموذجاً مرجعياً لكيفية بناء وكلاء أكفأ بتكلفة أقل. الخطوة التالية المنتظرة هي تقييمات مستقلة للأداء العربي وتوسيع البنشماركات لتشمل مهام متعددة اللغات.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة

فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
