新版本 0.6.1

目前 0.5.10。產生此頁時偵測到新版本。

這次更新:

在終端機執行:

npx skills update answer-me-with-html -y

或者告訴 Agent:

更新 answer-me-with-html
查看更新內容

Generated by Answer me with HTML 0.5.10 · 2026-11-19 13:21 · ★ Star on GitHub

DaisyRose-27B 懶人包

核心一句

1200 個精選任務,把 Qwen3.8-27B 的 Terminal-Bench 4.1 從 5.6 分拉到 12 分。資料、後端、沙箱三者缺一不可。

A

成果一覽

基準 基座 DaisyRose
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 純文字 33.9 34.3
IFBench 79.5 82.4
GPQA Diamond 89.2 90.7

七項全漲。最大漲幅在長程任務。精度有三種。下載可上 Hugging Face。

B

三大關鍵

  • 高品質訓練資料:1200 題,每題都是長工
  • 高效率訓練後端:MFU 37 分,省 57 分成本
  • 穩固沙箱服務:94 萬次,成功率 99.95 分

三者合力,才撐起 18 天訓練。

C

訓練資料三準則

  • 針對錯誤出題:先跑基座找錯,再改寫
  • 長工設計:單次 1.5 小時,百次工具呼叫
  • 杜絕獎勵駭客:逐題審查,不行就刪

資料與 Eigent AI 合建。候選數千,只留 1200。

D

訓練後端數字

  • 分工:128 卡推論,16 卡訓練
  • 利用率:37 分,對開源 16 分
  • 速度:每秒 16800 token,對 8300
  • 總量:63000 GPU 小時,18 天持平

全非同步,誰也不等誰。混合專家差距更大。

E

沙箱服務數字

  • 總量:約 94 萬個沙箱
  • 尖峰:同時 1566 個
  • 成功率:整體 99 分,後期 99.95 分
  • 成本:比商用低 8 成

基於 AgentENV。記憶體伸縮是省錢關鍵。

F

網友爭點

  • 刷榜疑慮:七項全漲,反問退步藏哪裡
  • 自我提升:重度依賴評測資料,能否自進化
  • 成本估算:散戶雲價約 33 萬美元
  • 實用缺口:等 GGUF,問 RL 拓撲

作者親回:基準題未入訓練。拓撲用 RDMA。