Bạn không còn cần đến một phòng thí nghiệm AI khổng lồ để tạo ra bot lập trình tốt hơn. Startup RadixArk đã lấy một mô hình miễn phí từ nhóm Qwen của Alibaba, huấn luyện mô hình trong 18 ngày trên 1.200 tác vụ được tuyển chọn kỹ lưỡng, và tăng hơn gấp đôi điểm số trong một trong những bài kiểm tra khó nhất dành cho các tác nhân AI. Sau đó, họ phát hành miễn phí kết quả này.

DaisyRose-27B: Những điểm chính

  • RadixArk ra mắt DaisyRose-27B, mô hình đầu tiên của hãng, được xây dựng trên Qwen3.8-27B miễn phí

  • Điểm Terminal-Bench 4.1 tăng từ 5,6% lên 12,0% sau 18 ngày huấn luyện trên 144 chip Nvidia H200

  • Mô hình này vượt qua Qwen bản gốc ở mọi bài đánh giá RadixArk thử nghiệm, từ lập trình đến suy luận

  • Mô hình được phép sử dụng và chỉnh sửa miễn phí theo giấy phép Apache 2.0

RadixArk thông báo phát hành vào ngày 18 tháng 11 trong một bài đăng trên blog Hugging Face, nền tảng nơi các nhà phát triển AI chia sẻ mô hình. “Bạn có thể cải thiện một mô hình nhỏ đến mức nào trong 18 ngày với 144 GPU?” công ty đặt câu hỏi trên X.

RadixArk thực sự đã làm gì

RadixArk không xây dựng mô hình từ đầu, việc có thể tiêu tốn hàng tỷ đô la của các phòng thí nghiệm lớn. Công ty lấy Qwen3.8-27B, một mô hình 27 tỷ tham số mà bất kỳ ai cũng có thể tải xuống, rồi tiếp tục huấn luyện bằng học tăng cường: AI thử thực hiện một nhiệm vụ, được chấm điểm và học từ những gì hiệu quả.

Các nhiệm vụ mới là bí quyết. RadixArk và đối tác Eigent AI tạo ra hàng nghìn nhiệm vụ tiềm năng về học máy, kỹ thuật phần mềm và khoa học, sau đó chọn lại khoảng 1.200 nhiệm vụ. Mỗi nhiệm vụ nhắm vào một lỗi mà mô hình gốc thường mắc phải, cần nhiều bước để giải quyết và chỉ có thể vượt qua bằng cách thực sự giải quyết nó, chứ không phải tìm cách đánh lừa bộ chấm điểm. Một lần thử có thể kéo dài tới 1,5 giờ, với hơn 100 lần gọi công cụ.

Bài đánh giá | Qwen3.8-27B | DaisyRose-27B Terminal-Bench 4.1 | 5.6 | 12.0 Terminal-Bench 2.1 | 73.0 | 75.5 DeepSWE v1.1 | 42.2 | 46.2 IFBench | 79.5 | 82.4 GPQA Diamond | 89.2 | 90.7

Huấn luyện rẻ hơn mới là sản phẩm thực sự

RadixArk thực chất đang bán các công cụ huấn luyện của mình, còn mô hình là bằng chứng cho hiệu quả của chúng. Công ty huấn luyện DaisyRose-27B bằng Miles, phần mềm học tăng cường miễn phí của mình, cùng hệ thống xử lý huấn luyện riêng. Theo công ty, hệ thống này đưa 37% công suất tối đa của mỗi chip vào các công việc hữu ích, so với 16% ở một công cụ huấn luyện mã nguồn mở phổ biến. Công ty cho biết điều đó đồng nghĩa với việc cùng một công việc cần ít hơn 57% thời gian GPU, và mức cải thiện còn lớn hơn với một số thiết kế mô hình khác.

Môi trường kiểm thử cũng rất quan trọng. Mỗi lần thử chạy trong một sandbox, tức một bản sao mới của nhiệm vụ được cô lập hoàn toàn. RadixArk chạy khoảng 944.000 lần thử từ giữa tháng 9 đến giữa tháng 11, với tối đa 1.566 lần chạy đồng thời, và cho biết hóa đơn điện toán đám mây thấp hơn khoảng 80% so với khi dùng các nhà cung cấp sandbox phổ biến. Toàn bộ quá trình chạy sử dụng khoảng 63.000 giờ GPU.

Đọc thêm: Các nhà phát triển được dùng miễn phí 1 tỷ đô la tài nguyên huấn luyện AI khi Meta tràn ngập Hugging Face

Vì sao điều này quan trọng

Cuộc đua AI lớn đang chuyển hướng: từ việc ai xây dựng mô hình lớn nhất sang việc ai khai thác mô hình hiện có hiệu quả nhất. Nếu một nhóm nhỏ có thể tăng gấp đôi điểm số của một mô hình miễn phí trong bài kiểm tra tác tử khó chỉ trong chưa đầy ba tuần, các công ty có dữ liệu riêng có thể tạo ra những bot chuyên biệt mạnh mẽ mà không cần ngân sách của các phòng thí nghiệm tiên phong.

Hãy nhìn nhận các con số một cách thận trọng. Tỷ lệ vượt qua 12,0% ở Terminal-Bench 4.1 vẫn có nghĩa là mô hình thất bại trong hầu hết các nhiệm vụ đó, còn mức cải thiện ở những bài kiểm tra dễ hơn chỉ vài điểm mỗi bài. Kết quả đến từ các thử nghiệm riêng của RadixArk, và công ty đã đề nghị người dùng chia sẻ những điểm mô hình còn yếu.

Điều cần theo dõi tiếp theo

Hãy theo dõi xem các nhà phát triển bên ngoài có thể tái lập mức cải thiện này với nhiệm vụ của riêng họ hay không, và liệu các nhóm khác có sử dụng Miles để huấn luyện tác tử của mình hay không. Nếu có, hãy chờ đón làn sóng mô hình nhỏ, rẻ và chuyên biệt được xây dựng dựa trên các mô hình miễn phí của Qwen, Meta và những bên khác, gây sức ép lên các phòng thí nghiệm lớn đang thu phí cho những mô hình tốt nhất của họ.

Đọc tiếp: Hugging Face sao chép các bài kiểm tra toán của OpenAI, thừa nhận bộ xác minh vẫn còn sơ khai và chưa hoàn thiện