Eine Titelkarte mit der Aufschrift „DaisyRose 27B“, untertitelt mit „Achtzehn Tage Reinforcement Learning, kein SFT“, über drei Karten mit der Aufschrift „Basismodell: Qwen3.8-27B“, „Training: etwa 63.000 H200-GPU-Stunden“ und „Terminal Bench 4.1: 5,6 bis 12,0“, mit einer Fußzeile mit der Aufschrift „Angaben aus RadixArks Modellkarte und Blogbeitrag, 18. November 2026.“ Das OrcaRouter-Logo befindet sich unten rechts.
Guides & Insights

DaisyRose 27B: 18 Tage RL und kein überwachtes Fine-Tuning

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

DaisyRose 27B von RadixArk ist ein Post-Training von Qwen3.8-27B, das ausschließlich mit Reinforcement Learning erstellt wurde – ohne Supervised-Fine-Tuning-Durchlauf, ohne Destillation von einem größeren Lehrer – und die beiden Benchmark-Zeilen, die am besten beschreiben, was das bringt, stehen vier Zeilen auseinander auf seiner eigenen Modellkarte. Auf Terminal Bench 4.1 steigt das Modell gegenüber seiner Basis von 5,6 auf 12,0, mehr als eine Verdopplung. Auf DeepSWE v1.1 geht es von 42,2 auf 46,2, ein Zuwachs von vier Punkten. Die eine Zeile besagt, dass das Rezept dem Modell etwas beigebracht hat, das es überhaupt nicht konnte; die andere besagt, dass es das meiste von dem, was es bereits konnte, etwa so gut wie zuvor erledigt. RadixArk veröffentlichte die Gewichte und das Rezept am 18. November 2026 unter Apache 2.0, und die ehrliche Lesart der Veröffentlichung ist, dass beide Zeilen gleichzeitig zutreffen.

Dies ist ein Launch, und ein kürzlicher – der Blogpost und die Hugging-Face-Karte sind zum Zeitpunkt des Schreibens drei Tage alt. Was folgt, ist das, was RadixArk behauptet, welche Teile davon heute überprüfbar sind und woher die Zahlen stammen.

Was tatsächlich trainiert wurde

Die Basis ist Qwen3.8-27B, in der Architektur unverändert: derselbe Tokenizer, dieselbe Chat-Vorlage, derselbe Vision-Tower, derselbe Kontext von 262.144 Token. RadixArk beschreibt DaisyRose 27B als Drop-in-Ersatz für diese Basis, was eine Aussage über Kompatibilität und nicht über Qualität ist — bestehende Prompts, Bildeingaben und Serving-Konfigurationen lassen sich ohne Änderung übernehmen.

• Gesamtzahl der Parameter — 27,8B, davon 0,46B für den Vision-Encoder und 0,42B für einen Multi-Token-Prediction-Head.

• Trainingssignal – ausschließlich Reinforcement. RadixArk gibt an, dass für den Lauf weder überwachtes Fine-Tuning noch Destillation verwendet wurden, was in dieser Größenordnung ungewöhnlich ist; die meisten offenen Post-Trainings bei 27B beginnen mit einem SFT-Durchlauf und nutzen RL, um das Modell zu schärfen.

• Umgebung — rund 1.200 kuratierte Long-Horizon-Agentenaufgaben, erstellt mit Eigent AI, darauf ausgelegt, mehrere Probleme miteinander zu verketten und resistent gegen Reward-Hacking zu sein. Sitzungen liefen bis zu eine Million Tokens, und diese Zahl erklärt den Rest des Aufbaus: Eine so lange Aufgabe braucht eine Sandbox, die stundenlang am Leben bleibt.

• Rechenleistung — 18 Tage auf 144 H200s, aufgeteilt in 128 für die Inferenz und 16 für den Trainer, vollständig asynchron laufend, für etwa 63.000 GPU-Stunden. Der Trainer ist das Miles-Framework.

• Sandboxes – etwa 944.000 davon über den gesamten Zeitraum, mit einem Höchststand von 1.566 gleichzeitig und einer Erfolgsquote bei der Erstellung von über 99,95 % Ende Oktober. RadixArk beziffert diese Infrastruktur auf rund 80 % unter dem, was nach eigenen Angaben gängige Cloud-Sandboxes kosten.

Die Aufteilung 128/16 ist der Punkt, bei dem man kurz innehalten sollte. In einer asynchronen RL-Schleife erzeugt die Inferenzflotte Rollouts für lange Agentensitzungen, während der Trainer fertige Trajektorien verarbeitet; das Verhältnis sagt also etwas darüber aus, wie lange jedes Rollout im Verhältnis zu einem Gradientenschritt dauert. Das ist auch der Grund, warum RadixArks Effizienzargument in Wall-Clock-Zeit statt in FLOPs formuliert wird: Der Lauf war nach achtzehn Tagen beendet, und die Zahl der GPUs ist im Vergleich dazu unspektakulär.

Die Benchmark-Tabelle, gelesen mit ihren Fußnoten

RadixArk berichtet sieben Benchmarks gegenüber der Qwen3.8-27B-Baseline und gibt pro Benchmark an, wie viele Läufe, welches Harness und welche Sampling-Einstellungen verwendet wurden. Diese Fußnoten gehen über das hinaus, was die meisten Launch-Karten tun, und sind der Grund, warum die untenstehenden Zahlen überhaupt miteinander verglichen werden können. Sie sind weiterhin vom Anbieter durchgeführt, und niemand außerhalb von RadixArk hat sie reproduziert.

• Terminal Bench 4.1 — {{1}}12.0 gegenüber 5.6 für die Basis{{/1}}. Acht Läufe pro Aufgabe auf einem internen mini-swe-agent-Harness mit aktivierter Zusammenfassung. Bei Modellen ohne 4.1-Eintrag im modellübergreifenden Vergleich wird ersatzweise ihre 4.0-Punktzahl eingesetzt.

• Terminal Bench 2.1 — 75,5 gegenüber 73,0. Fünf Läufe pro Aufgabe, Terminus-2-Harness. Der Zugewinn liegt hier unter drei Punkten, was dem Eindruck aus der 4.1-Zeile entgegensteht: Die 2.1-Suite ist diejenige, in der das Basismodell bereits gut war.

• DeepSWE v1.1 — 46,2 gegenüber 42,2. Acht Durchläufe, mini-swe-agent.

• SWE Bench Pro v2 — 94,7 gegenüber 91,3. Fünf Durchläufe, mini-swe-agent, alle 642 Aufgaben. Mehrere der verglichenen Modelle melden nur das Hard-Subset, daher ist diese Zeile über die Spalten hinweg nicht direkt vergleichbar.

• HLE, nur Text — 34,3 gegen 33,9. Fünf Durchläufe pro Aufgabe, keine Tools, bewertet von GPT-6 Luna.

• IFBench — 82,4 gegenüber 79,5. Vier Durchläufe mit 300 Prompts mit dem offiziellen allenai-Scorer, strikte Genauigkeit auf Prompt-Ebene ohne Thinking.

• GPQA Diamond — {{1}}90,7 gegenüber 89,2{{/1}}. Acht Durchläufe mit {{2}}198{{/2}} Fragen, {{3}}simple-evals{{/3}}-Vorlage, Antwortreihenfolge jedes Mal neu gemischt.

A screenshot of the Hugging Face model card for radixark/DaisyRose-27B showing the repository header, the model description as a reinforcement-learning-only post-train of Qwen3.8-27B with a 256K-token context, Apache 2.0 weights in BF16, FP8 and NVFP4, and the benchmark comparison section.

Zwei Eigenschaften dieser Tabelle sind wichtiger als jede einzelne Zeile. Die erste ist, dass jeder DaisyRose-Wert der bessere seiner BF16- und FP8-Läufe ist; laut RadixArk unterscheiden sich diese um weniger als einen Punkt – ein kleiner Abstand, aber er bedeutet, dass die veröffentlichte Zahl ein Best-of-Two und kein Mittelwert ist. Die zweite ist das Sampling: Temperatur 1.0, top_p 0.95, top_k 20, Reasoning-Aufwand xhigh. Hoher Aufwand und hohe Temperatur sind eine Konfiguration, die gewählt wurde, um agentische Scores zu maximieren, und wer mit Standardeinstellungen arbeitet, sollte etwas Niedrigeres als in der Tabelle erwarten.

Wo es nicht der Marktführer ist

Die Modellkarte vergleicht DaisyRose 27B mit sieben anderen Systemen, und das Ergebnis ist kein glatter Durchmarsch – was das Nützlichste an der Tabelle ist, denn die Niederlagen sind aufschlussreich.

• Terminal Bench 4.1 — MiMo V2.6 Flash erreicht 16,1, Inkling 2 Small 13,0, GPT-6 Luna 15,2, alle über den 12,0 von DaisyRose. Muse Glimmer-30B erreicht 0,5 und Qwen3.6-35B-A3B erreicht 0,0 auf demselben Harness.

• Terminal Bench 2.1 — MiMo V2.6 Flash 87,6 und Inkling 2 Small 81,3 liegen beide vorn; M​use Spark Open liegt bei 76,4.

DeepSWE v1.1 — Inkling 2 Small 72,1, MiMo V2.6 Flash 67,9 und GPT-6 Luna 66,6 gegenüber DaisyRose mit 46,2. Das ist die deutlichste Niederlage auf der Karte, und sie trifft ausgerechnet den Benchmark, der der Trainingsverteilung am nächsten kommt.

• HLE Nur-Text — Inkling 2 Small 44,1 und M​use Spark Open 43,9 gegenüber 34,3.

• GPQA Diamond — Inkling 2 Small 93,0, Beam 1.0 90,6, GPT-6 Luna 90,5, DaisyRose 90,7. Ein beinahe Gleichstand an der Spitze.

• IFBench — DaisyRose 82.4 ist der höchste Wert auf der Karte; keine Wettbewerberzeile enthält eine Zahl.

Dieses Muster besagt, dass das dichte 27,8B-Modell bei der Befolgung von Anweisungen gewinnt und sich bei Wissenschaft auf Postgraduierten-Niveau behauptet, aber bei den tiefen Software-Engineering-Aufgaben gegen deutlich größere Sparse-Modelle verliert. MiMo V2.6 Flash aktiviert 15B von 309B und Inkling 2 Small aktiviert 17B von 594B, der Vergleich ist also ein dichtes 27B-Modell gegen Modelle mit zwanzigmal so vielen gespeicherten Parametern, geroutet. Gegen diese zu verlieren ist kein Scheitern des Rezepts; es ist eine Aussage darüber, wie viel der Lücke ein 27B-Modell schließen kann.

A generated scoreboard titled 'DaisyRose 27B — the scoreboard' with a single column of six rows: parameters 27.8B total; training RL only, no SFT or distillation; Terminal Bench 4.1 12.0 against 5.6 for the Qwen3.8-27B base; DeepSWE v1.1 46.2 against 42.2; context 262,144 tokens; licence Apache 2.0. A footer reads 'Vendor-reported by RadixArk; no independent reproduction yet.' The OrcaRouter logo sits in the bottom-right.

Die 37%-MFU-Behauptung und was sie misst

RadixArks Blog stellt die Trainingseffizienz und nicht das Modell in den Vordergrund, was eine faire Deutung dessen ist, was das Unternehmen verkauft – es ist ein Infrastruktur-Anbieter, der SGLang-Deployments für andere Labore bereitgestellt hat –, doch dadurch sind die Effizienzzahlen schwerer zu bewerten als eine Benchmark-Zeile.

Die Behauptung lautet: 37 % Model-FLOPs-Auslastung für ihr internes Backend gegenüber 16 % für einen Megatron-basierten Open-Source-Trainer, beschrieben als 57 % geringere Trainingskosten und eine 2-fache End-to-End-Beschleunigung. Es gibt keine veröffentlichte Konfiguration für die Megatron-Baseline: keinen Parallelisierungsplan, keine Sequenzlänge, keine Batch-Größe. Ein MFU-Wert von 16 % ist für eine naive dichte Trainingsschleife plausibel und für eine gut abgestimmte unplausibel; daher ist der ehrliche Status von „57 % geringeren Kosten“, dass es sich um einen Vergleich mit einer unbenannten Konfiguration eines nicht näher spezifizierten Trainers handelt, gemessen von der Partei, die die Alternative entwickelt hat.

Die 63.000 GPU-Stunden sind dagegen eine konkrete Zahl und lassen sich anhand der realen Uhrzeit auf Plausibilität prüfen: 144 GPUs über 18 Tage ergeben 62.208 GPU-Stunden, was übereinstimmt. Der Lauf kostete also in Maschinenzeit genau das, was RadixArk angibt. Was die Effizienzbehauptung obendrauf liefert, ist eine Aussage darüber, was diese Maschinenzeit jemand anderen gekostet hätte, und dieser Teil ist nicht verifiziert.

Was Sie herunterladen können und was zum Bereitstellen nötig ist

RadixArk hat drei Präzisionen der Gewichte veröffentlicht, alle unter Apache 2.0, alle auf Hugging Face, plus einen Drafter für spekulatives Decoding.

• BF16 — etwa 52 GB. Volle Präzision und die Referenz zum Reproduzieren der Werte der Karte.

• FP8 — etwa 29 GB. Der Build, den RadixArks eigenes Serving-Beispiel ausführt, mit einem FP8-KV-Cache.

• NVFP4 — etwa 23 GB, und ausschließlich für Blackwell. Auf einer RTX 5090 oder einer DGX Spark ist dies die Konfiguration, mit der ein multimodales 27B-Modell bequem Platz findet und noch Raum für einen langen Kontext bleibt.

Drafter — RadixArk/Qwen3.8-27B-DSpark, ein Draft-Modell für spekulatives Decoding für SGLang, dem Serving-Pfad, den die Karte empfiehlt. Die Referenzkonfiguration betreibt vier datenparallele Replikate auf einem Knoten mit vier GPUs bei Tensor-Parallelität 1, einem Kontext von 262.144 Token und einem FP8-KV-Cache.

Hardwareseitig listet RadixArk Single-GPU-Deployments auf H200, B200 und GB300 sowie RTX PRO 6000, RTX 5090 und DGX Spark. Nirgends auf der Karte wird eine Durchsatz- oder Tokens-pro-Sekunde-Angabe veröffentlicht, was für alle, die ein Deployment dimensionieren, eine echte Lücke ist: Die eine Zahl, die einem sagen würde, ob DSpark die zusätzliche GPU wert ist, fehlt.

Verfügbarkeit und die Preisfrage

Es gibt keinen von RadixArk gehosteten API-Preis, den man nennen könnte. Die Website des Unternehmens beschreibt Serving und Training für andere Labore und veröffentlicht keinen DaisyRose-Endpunkt, und die Modellkarte verweist ausschließlich auf Self-Hosting über SGLang, vLLM und Docker. Drittanbieter-Einträge gibt es jedoch: Einer, den wir bei Veröffentlichung gesehen haben, nennt $0,15 pro Million Input-Tokens und $1,88 pro Million Output-Tokens. Dabei handelt es sich um die Zahl eines Drittanbieter-Hosts und nicht um einen Listenpreis des Anbieters; sie sollte als Einstiegsposition eines einzelnen Hosts und nicht als Marktpreis betrachtet werden.

A screenshot of the RadixArk blog post 'DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency', dated 18 November 2026, showing the post header and the opening section on reinforcement-learning-only post-training.

DaisyRose 27B selbst ist zum Zeitpunkt des Verfassens nicht im Katalog von OrcaRouter aufgeführt, und wir werden nichts anderes suggerieren. Das Basismodell ist: Qwen3.8-27B wird unter qwen/qwen3.8-27b, A​libabas eigenem Open-Weight-Build, zu 0,33 $ pro Million Eingabe-Tokens und 2,40 $ pro Million Ausgabe-Tokens, mit einem Kontext von 262.144 Tokens und demselben Vision-Tower, den der Post-Train beibehält. Das ist für alle wichtig, die dieses Release bewerten, denn der günstigste Weg zu testen, ob ein Gewinn von 12 Punkten im Terminal Bench es wert ist, eine H200 hochzufahren, besteht darin, das Basismodell zuerst über eine API mit denselben Prompts laufen zu lassen und zu vergleichen. Es bietet außerdem einen Fallback-Pfad: Wenn eine selbst gehostete DaisyRose-Bereitstellung mitten in einer Aufgabe ausfällt, steht das Basismodell hinter demselben Schlüssel, und eine automatische Failover-Regel kann die Anfrage an es weiterreichen, statt den Aufruf fehlschlagen zu lassen.

Was würde es klären

Nichts in dieser Veröffentlichung wurde unabhängig ausgeführt. Es gibt keinen Eintrag bei Artificial Analysis für DaisyRose 27B, kein Drittanbieter-Harness auf der Terminal-Bench-Bestenliste, und die modellübergreifenden Zeilen in RadixArks eigenem Vergleich stützen sich auf veröffentlichte Zahlen anderer Parteien statt auf parallel durchgeführte Läufe. Die Modellkarte ist ungewöhnlich explizit in all diesen Punkten, was ihr zugutekommt, aber explizite Herkunftsangaben machen eine Zahl nicht unabhängig.

Zwei Dinge sind es wert, beobachtet zu werden. Das erste ist eine Reproduktion von Terminal Bench 4.1 auf dem öffentlichen Harness: 5,6 bis 12,0 ist die Behauptung, auf der das gesamte Release beruht, und es ist die Art von Sprung, die auch ein Unterschied im Harness erzeugen kann. Das zweite ist DeepSWE, wo das Modell 26 Punkte hinter Inkling 2 Small liegt, obwohl die Trainingsdaten agentisches Software-Engineering sind. Wenn sich der Zugewinn von 4.1 reproduziert und die DeepSWE-Lücke nicht schließt, lautet die Erzählung, dass reines RL-Nachtraining einem Modell beibringt, ein Terminal zu benutzen, ohne ihm beizubringen, über eine Codebasis nachzudenken – und das ist eine viel spezifischere und nützlichere Erkenntnis als jede einzelne Schlagzeilen-Punktzahl.

In diesem Artikel verglichen1

Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert