DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency
DaisyRose-27B通过强化学习训练,在多个基准测试中显著提升性能,18天内仅用1200个任务实现Terminal-Bench 4.1 pass@1从5.6%到12.0%的跃升。
入选理由:DaisyRose-27B在Terminal-Bench 4.1上实现pass@1从5.6%到12.0%的提升
模型
别名:通义千问3.8-27B
通义千问系列大语言模型
已跟踪 16 条高相关材料
最近变化
2026-11-18 · DaisyRose-27B在Terminal-Bench 4.1上实现pass@1从5.6%到12.0%的提升
为什么值得关注
Qwen3.8-27B 被反复提及时,通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency
Hugging Face Blog · 8.5 分
DaisyRose-27B通过强化学习训练,在多个基准测试中显著提升性能,18天内仅用1200个任务实现Terminal-Bench 4.1 pass@1从5.6%到12.0%的跃升。
Stop Paying for AI Subscriptions! Run Local AI for FREE (LM Studio Tutorial)
AI Master · 8.5 分
无需订阅,本地免费运行AI模型,LM Studio教程展示如何在Mac、Windows和Linux上安装并选择适合硬件的模型。
呃.. 所以是用 Qwen3.8-27B 后训练了一个“德性”模型?还是强化西方价值观的德性? 是不是类似于收养一个中国孩子,然后不断给他灌输洗脑西方知识,让他误以为自己是美国孩子? 所以,Nou...
meng shao(@shao__meng) · 8.5 分
Nous Research发布的Arete-27B模型基于Qwen3.8-27B微调,强化西方价值观,但引发关于模型价值观对齐的讨论。
已收录 16 条与 Qwen3.8-27B 相关的内容,按评分排序。
DaisyRose-27B通过强化学习训练,在多个基准测试中显著提升性能,18天内仅用1200个任务实现Terminal-Bench 4.1 pass@1从5.6%到12.0%的跃升。
入选理由:DaisyRose-27B在Terminal-Bench 4.1上实现pass@1从5.6%到12.0%的提升
无需订阅,本地免费运行AI模型,LM Studio教程展示如何在Mac、Windows和Linux上安装并选择适合硬件的模型。
入选理由:LM Studio支持Mac、Windows和Linux,安装简单。
Nous Research发布的Arete-27B模型基于Qwen3.8-27B微调,强化西方价值观,但引发关于模型价值观对齐的讨论。
入选理由:Arete-27B使用Qwen3.8-27B作为基础模型进行微调
Memdoor项目通过五种Qwen3.8-27B模型协作,在编程问题解决上达到与Fable 5相当的水平,但成本显著高于单模型方案。
入选理由:五模型协作在LiveCodeBench Hard前10题中平均得分9.8,接近Fable 5的9.6
Survival LLM是一款离线运行的AI助手,结合应急知识库,适用于断网环境下的生存指导。
入选理由:NVIDIA Nemotron 3.5 Super模型在测试中21/22答案正确,精度最高。
ThinkingBox将数据库评分转化为强化学习奖励,使Qwen3.8-27B模型任务完成率提升69%。
入选理由:ThinkingBox使Qwen3.8-27B的20/20任务完成率从38提升至107
腾讯论文通过递归自我改进方法使终端代理性能提升超200%,Terminal-Bench测试集表现从20.68%跃升至50.58%。
入选理由:递归自我改进方法使Terminal-Bench 2.1测试集准确率提升至86.52%
Qwen3.8-27B模型在无推理时大数相加准确率仅23.57%,启用推理后提升至97.04%。
入选理由:Qwen3.8-27B无推理时十至十三位数相加准确率仅6.44%
Qwen3.8-27B模型通过减少思考令牌将推理时间从90秒缩短至18秒,不同优化方法在效率与准确性间取得平衡。
入选理由:Thinking Cap模型通过减少令牌使用将推理时间从90秒缩短至18秒
Hugging Face发布多Harness RL训练指南,使用代理提升模型性能达12%。开源代码与训练数据可复现结果。
入选理由:使用代理记录token IDs和logprobs可使LFM2.5-2.6B模型性能提升12%
Qwen3.8-27B模型在性能上显著优于Meta的Glimmer 30B,但需通过量化与部署优化实现本地高效运行。
入选理由:Qwen3.8-27B参数量达2.4万亿,远超3.6版本且性能提升明显
通义千问3.8-27B模型已通过Nebius平台开放访问,适用于多步骤工作流和深度研究。
入选理由:27B参数量的密集模型适合复杂任务规划
文章介绍通过专用Harness实现端侧模型零成本推理方案,但因环境异常无法获取完整内容。
入选理由:Qwen3.8-27B模型通过Harness实现端侧推理优化
Qwen3.6-27B在agentic coding表现优异,Qwen3.8-27B即将发布并进一步优化。
入选理由:Qwen3.6-27B在agentic coding领域表现优于Muse Glimmer 30b
Qwen3.8-27B模型已发布,邀请开发者参与共建,但技术细节披露有限。
入选理由:Qwen3.8-27B模型已通过ollama平台开放使用
推文提及Qwen3.8-27B模型在Hugging Face发布,但未提供技术细节或使用价值说明。
入选理由:Qwen3.8-27B模型已上线Hugging Face