RadixArk 用 Qwen3.8-27B 作基础模型,先看它在哪些任务上犯错,再调整题目难度。训练团队会连同模型的答题过程一起复查;如果模型绕开题目也能拿分,团队就修改或删除那道题。

团队报告,DaisyRose-27B 在 Terminal Bench 4.1 上的首次通过率从基础模型的 5.6% 升到 12.0%,在 2.1 版上则从 73.0% 升到 75.5%。同一个模型在不同版本试题上起点差异很大,比较成绩时要写清版本。

原始资料