ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارX: @Chinazhidx→ المصدر

نموذج DaisyRose-27B المفتوح يحل 12% من مهام Terminal-Bench بدلًا من 5,6%

أطلقت RadixArk نموذج DaisyRose-27B المفتوح، وقد دُرّب 18 يومًا على 144 بطاقة رسومية من طراز H200 ليعمل في الطرفية (terminal) مثل المطوّر. وفي اختبار Terminal-Bench 4.1 ارتفعت نسبة المهام المحلولة من المحاولة الأولى من 5,6% إلى 12,0%، بينما تبلغ النسبة لدى GPT-6 Luna نحو 15,2%. وكانت كل مهمة من مهام التدريب البالغ عددها 1 200 تستهدف خطأً محددًا في النموذج الأساسي Qwen3.8-27B. والخلاصة أن إخفاقات وكيلك الذكي المتكررة يمكن تحويلها إلى مجموعة تدريب، كما أن ترخيص Apache 2.0 يسمح باعتماد النموذج في المنتجات.

معالج بواسطة الذكاء الاصطناعي من X: @Chinazhidx؛ بتحرير Hamidun News
نموذج DaisyRose-27B المفتوح يحل 12% من مهام Terminal-Bench بدلًا من 5,6%
المصدر: X: @Chinazhidx. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليX: @Chinazhidx ↗
رئيس التحرير
حقيقة رئيسية #1حزمة التدريب تشغّل وحدات GPU بكفاءة 37% مقابل 16% لنظير قائم على Megatron
حقيقة رئيسية #216 800 توكن في الثانية مقابل 8 300؛ ويقل زمن GPU اللازم للعمل نفسه بنسبة 57%
حقيقة رئيسية #3يعمل على بطاقة RTX 5090 واحدة أو على NVIDIA DGX Spark

تخيّل وكيلًا ذكيًا كُلّف في الطرفية بإصلاح عملية بناء متعطلة: أن يعثر على الخطأ في السجلات، ويعدّل ملف الإعدادات، ويعيد تشغيل الاختبارات، دون أن يعطّل خدمة مجاورة. معظم النماذج المفتوحة لا تزال تتعثر في مثل هذه المهام. أصدرت شركة RadixArk الناشئة أول نموذج لها بأوزان مفتوحة، وهو DaisyRose-27B، وضاعفت به نتيجة النموذج الأساسي في Terminal-Bench 4.1: فقد ارتفعت نسبة المهام التي يحلها الوكيل من المحاولة الأولى (مقياس pass@1) من 5,6% إلى 12,0%. وللمقارنة، يبلغ هذا المؤشر لدى GPT-6 Luna نحو 15,2%. الفكرة الأساسية أن النموذج لم يُدرَّب على خليط بيانات عام، بل على مهام استهدفت كل واحدة منها خطأً محددًا في النموذج الأساسي. وهذه إشارة عملية للمطوّر: يمكن تحويل نقاط ضعف الوكيل إلى مادة تدريب.

تجربة تحولت إلى منتج

بحسب Banghua Zhu، المؤسس المشارك والمدير التقني، لم يبدأ المشروع كإصدار نموذج، بل كاختبار لمتانة البنية التحتية. أرادت الفريق أن تعرف هل يصمد نظامها في تدريب وكلاء على سياق من مليون توكن، وهل يمكن رفع كفاءة استخدام وحدات GPU، وهل يمكن خفض تكلفة البيئات المعزولة (sandboxes) التي يشغّل فيها الوكلاء الشيفرة. جاءت النتائج أفضل من المتوقع، ومن اختبار الإجهاد هذا خرج النموذج.

واعتُمد Qwen3.8-27B أساسًا للمشروع. وجرى تدريبه بالتعلم المعزز (reinforcement learning) عبر إطار Miles: يحاول النموذج حل المهمة، ويحصل على تقييم، ثم يعدّل سلوكه. وبالتعاون مع Eigent AI جمع الفريق 1 200 مهمة منتقاة بعناية. والأمر أشبه بالتحضير لا من كتاب مدرسي عام، بل من قائمة بأخطاء الطالب نفسه: يختار المدرّس تمارين تناسبها تحديدًا.

كانت المهام طويلة. فقد تستمر المحاولة الواحدة حتى ساعة ونصف، وتتضمن أكثر من 100 استدعاء لأدوات، وتنتج أكثر من 256 ألف توكن. واستغرق التدريب كله 18 يومًا على 144 وحدة GPU من طراز NVIDIA H200.

ماذا تُظهر الأرقام

يتعلق الإنجاز الأوضح بالبنية التحتية. فبحسب RadixArk، بلغت كفاءة المحرّك الداخلي للتدريب 37% MFU، أي أنه استخدم العتاد بنسبة 37% من الحد الأقصى النظري. أما أداة تدريب مفتوحة المصدر مماثلة قائمة على Megatron فسجّلت 16%. وبلغت السرعة 16 800 توكن في الثانية مقابل 8 300 على وحدات GPU الـ144 نفسها. ونتيجة لذلك، يحتاج الحمل نفسه إلى زمن GPU أقل بنسبة 57%. وهذا توفير مباشر لمن يدفع إيجار H200 بالساعة.

أما من حيث الجودة، فقد تفوق DaisyRose-27B على Qwen3.8-27B الأساسي في جميع اختبارات الأداء السبعة المنشورة. وكان أبرز تحسن في Terminal-Bench 4.1: أكثر من الضعف، من 5,6% إلى 12,0%. أما المكاسب الأخرى فأكثر تواضعًا:

  • DeepSWE v1.1: من 42,2 إلى 46,2؛
  • SWE-Bench Pro v2: من 91,3 إلى 94,7؛
  • GPQA Diamond: من 89,2 إلى 90,7.

ومن اللافت أن التحسن ظهر أيضًا في GPQA Diamond، وهو اختبار للأسئلة العلمية، مع أن التدريب جرى على مهام وكيلية.

ما أهمية ذلك للمطورين والمؤسسين

الاستنتاج الأول: يمكن رفع جودة الوكيل بمجموعة صغيرة من المهام إذا استهدفت كل مهمة نقطة ضعف حقيقية في النموذج. فألف ومئتا مهمة ليست بحجم الإنترنت، بل حجم يستطيع فريق صغير مع شريك جمعه. وإذا كانت لديك سجلات يخطئ فيها وكيلك باستمرار، فيمكنك أن تصنع منها مهام تدريب خاصة بك.

الاستنتاج الثاني: كثيرًا ما تكمن عنق الزجاجة في التشغيلات الوكيلية الطويلة في حزمة التدريب لا في النموذج نفسه. فحين يتطلب العمل ذاته زمن GPU أقل بنسبة 57%، تصبح الدورات التجريبية أرخص، ويمكن اختبار فرضيات أكثر.

الثالث: يتيح ترخيص Apache 2.0 الاستخدام التجاري، كما أن حجم 27 مليار معامل يجعل النموذج في متناول العتاد. وبحسب المطورين، يعمل النموذج على بطاقة RTX 5090 واحدة أو على NVIDIA DGX Spark، لذا يمكن اختبار الوكيل محليًا دون استئجار عنقود حوسبة.

تحفظات

جميع الأرقام نشرتها RadixArk نفسها حتى الآن، ولا توجد تشغيلات مستقلة. وقد أُجريت المقارنة مع أداة التدريب القائمة على Megatron على حمل العمل الخاص بالشركة، وقد تختلف الفجوة في مهام أخرى. كما أن نتيجة 12,0% في Terminal-Bench لا تزال تعني أن الغالبية العظمى من المهام لا تُحل من المحاولة الأولى، ولذلك فإن مثل هذا الوكيل غير جاهز بعد للعمل في بيئة الإنتاج دون إشراف بشري. ولا يُعرف كذلك كيف سيتصرف النموذج في مهام لا تشبه المهام الـ1 200 المنتقاة. لكن بوصفه مثالًا على أن التدريب الإضافي الموجَّه والبنية التحتية الفعّالة يحققان مكسبًا ملموسًا بميزانية متواضعة، يستحق DaisyRose-27B الاهتمام.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول تجربة تحولت إلى منتج؟

بحسب Banghua Zhu، المؤسس المشارك والمدير التقني، لم يبدأ المشروع كإصدار نموذج، بل كاختبار لمتانة البنية التحتية. أرادت الفريق أن تعرف هل يصمد نظامها في تدريب وكلاء على سياق من مليون توكن، وهل يمكن رفع كفاءة استخدام وحدات GPU، وهل يمكن خفض تكلفة البيئات المعزولة (sandboxes) التي يشغّل فيها الوكلاء الشيفرة. جاءت النتائج أفضل من المتوقع، ومن اختبار الإجهاد هذا خرج النموذج. واعتُمد Qwen3.8-27B أساسًا للمشروع.

ما أبرز التفاصيل حول ماذا تُظهر الأرقام؟

يتعلق الإنجاز الأوضح بالبنية التحتية. فبحسب RadixArk، بلغت كفاءة المحرّك الداخلي للتدريب 37% MFU، أي أنه استخدم العتاد بنسبة 37% من الحد الأقصى النظري. أما أداة تدريب مفتوحة المصدر مماثلة قائمة على Megatron فسجّلت 16%. وبلغت السرعة 16 800 توكن في الثانية مقابل 8 300 على وحدات GPU الـ144 نفسها. ونتيجة لذلك، يحتاج الحمل نفسه إلى زمن GPU أقل بنسبة 57%. وهذا توفير مباشر لمن يدفع إيجار H200 بالساعة. أما من حيث الجودة، فقد تفوق DaisyRose-27B على Qwen3.8-27B الأساسي في جميع اختبارات الأداء السبعة المنشورة.

ما أبرز التفاصيل حول ما أهمية ذلك للمطورين والمؤسسين؟

الاستنتاج الأول: يمكن رفع جودة الوكيل بمجموعة صغيرة من المهام إذا استهدفت كل مهمة نقطة ضعف حقيقية في النموذج. فألف ومئتا مهمة ليست بحجم الإنترنت، بل حجم يستطيع فريق صغير مع شريك جمعه. وإذا كانت لديك سجلات يخطئ فيها وكيلك باستمرار، فيمكنك أن تصنع منها مهام تدريب خاصة بك. الاستنتاج الثاني: كثيرًا ما تكمن عنق الزجاجة في التشغيلات الوكيلية الطويلة في حزمة التدريب لا في النموذج نفسه. فحين يتطلب العمل ذاته زمن GPU أقل بنسبة 57%، تصبح الدورات التجريبية أرخص، ويمكن اختبار فرضيات أكثر.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…