
DaisyRose 27B: 18 días de RL y sin ajuste fino supervisado
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 187 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 por 1M de tokens · 87 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 por 1M de tokens · 152 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 194 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 86 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 705 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 por 1M de tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 101 tok/s
DaisyRose 27B de RadixArk es un post-entrenamiento de Qwen3.8-27B construido con aprendizaje por refuerzo y nada más —sin una pasada de ajuste fino supervisado, sin destilación de un profesor más grande— y las dos filas de benchmarks que mejor describen lo que eso aporta están separadas por cuatro líneas en su propia ficha de modelo. En Terminal Bench 4.1 el modelo pasa de 5,6 a 12,0 frente a su base, más que duplica. En DeepSWE v1.1 pasa de 42,2 a 46,2, una ganancia de cuatro puntos. Una fila dice que la receta le enseñó al modelo algo que no podía hacer en absoluto; la otra dice que la mayor parte de lo que ya sabía hacer, lo hace más o menos igual de bien que antes. RadixArk publicó los pesos y la receta el 18 de noviembre de 2026 bajo Apache 2.0, y la lectura honesta del lanzamiento es que ambas filas son ciertas a la vez.
Esto es un lanzamiento, y además reciente: la entrada del blog y la tarjeta de Hugging Face tienen tres días en el momento de escribir esto. A continuación se presenta lo que afirma RadixArk, qué partes de ello son comprobables hoy y de dónde proceden las cifras.
¿Qué se entrenó realmente?
La base es Qwen3.8-27B, sin cambios en su arquitectura: el mismo tokenizador, la misma plantilla de chat, la misma torre de visión y el mismo contexto de 262,144 tokens. RadixArk describe DaisyRose 27B como un reemplazo directo de esa base, lo cual es una afirmación sobre compatibilidad más que sobre calidad: los prompts, las entradas de imagen y las configuraciones de servicio existentes se mantienen sin modificaciones.
• Parámetros totales — 27.8B, de los cuales 0.46B corresponden al codificador de visión y 0.42B a una cabeza de predicción de múltiples tokens.
• Señal de entrenamiento: únicamente refuerzo. RadixArk afirma que la ejecución no utilizó ajuste fino supervisado ni destilación, lo cual es inusual en este tamaño; la mayoría de los post-entrenamientos abiertos a 27B parten de una pasada de SFT y usan RL para perfeccionarla.
• Entorno — aproximadamente 1.200 tareas de agente de horizonte largo curadas, creadas con Eigent AI, diseñadas para encadenar varios problemas entre sí y para resistir el hackeo de recompensas. Las sesiones llegaron hasta un millón de tokens, que es la cifra que explica el resto de la configuración: una tarea tan larga necesita un sandbox que permanezca activo durante horas.
• Cómputo — 18 días en 144 H200s, divididos 128 para inferencia y 16 para el entrenador, ejecutándose completamente de forma asíncrona, durante aproximadamente 63.000 horas de GPU. El entrenador es el framework Miles.
• Sandboxes: alrededor de 944.000 en total durante el periodo, con un pico de 1.566 simultáneos y más del 99,95 % de éxito de creación a finales de octubre. RadixArk sitúa esa infraestructura aproximadamente un 80 % por debajo de lo que, según afirma, cobran los sandboxes en la nube populares.
La división 128/16 es la parte sobre la que vale la pena detenerse. En un bucle de RL asíncrono, la flota de inferencia genera rollouts para sesiones largas de agentes mientras el entrenador consume trayectorias terminadas, así que la proporción indica cuánto tarda cada rollout en relación con un paso de gradiente. También es la razón por la que la propuesta de eficiencia de RadixArk se expresa en tiempo de reloj en lugar de en FLOPs: la ejecución terminó en dieciocho días, y el número de GPUs es poco llamativo en comparación.
La tabla de referencia, leída junto con sus notas al pie
RadixArk informa siete benchmarks frente a la línea base Qwen3.8-27B y especifica, para cada benchmark, cuántas ejecuciones, qué harness y qué ajustes de muestreo. Esas notas al pie son más de lo que hacen la mayoría de las fichas de lanzamiento, y son la razón por la que los números siguientes pueden compararse entre sí. Aun así, los ejecuta el proveedor y nadie fuera de RadixArk los ha reproducido.
• Terminal Bench 4.1 — 12,0 frente a 5,6 para la base. Ocho ejecuciones por tarea en un arnés interno de mini-swe-agent con resumen habilitado. A los modelos sin entrada de 4.1 en la comparación entre modelos se les sustituye su puntuación de 4.0.
• Terminal Bench 2.1 — 75,5 frente a 73,0. Cinco ejecuciones por tarea, arnés Terminus 2. La ganancia aquí es inferior a tres puntos, lo que da la impresión opuesta a la de la fila 4.1: la suite 2.1 es aquella en la que el modelo base ya era bueno.
• DeepSWE v1.1 — 46,2 frente a 42,2. Ocho ejecuciones, mini-swe-agent.
• SWE Bench Pro v2 — 94,7 frente a 91,3. Cinco ejecuciones, mini-swe-agent, las 642 tareas. Varios de los modelos comparados solo reportan el subconjunto Hard, por lo que esta fila no es una comparación homogénea entre columnas.
• HLE, solo texto — 34,3 frente a 33,9. Cinco ejecuciones por problema, sin herramientas, evaluado por GPT-6 Luna.
• IFBench — 82,4 frente a 79,5. Cuatro ejecuciones sobre 300 prompts con el evaluador oficial de allenai, precisión estricta a nivel de prompt excluyendo el pensamiento.
• GPQA Diamond — 90,7 frente a 89,2. Ocho ejecuciones sobre 198 preguntas, plantilla simple-evals, con el orden de las respuestas rebarajado cada vez.

Dos propiedades de esa tabla importan más que cualquier fila individual. La primera es que cada puntuación de DaisyRose es la mejor de sus ejecuciones en BF16 y FP8, que según RadixArk difieren en menos de un punto —un margen pequeño, pero significa que la cifra publicada es el mejor de dos en lugar de una media—. La segunda es el muestreo: temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Un esfuerzo alto y una temperatura alta son una configuración elegida para maximizar las puntuaciones agénticas, y un lector que use la configuración predeterminada debería esperar algo inferior a lo de la tabla.
Donde no es el líder
La ficha del modelo compara DaisyRose 27B con otros siete sistemas, y el resultado no es un barrido total —que es lo más útil de la tabla, porque las derrotas son informativas.
• Terminal Bench 4.1 — MiMo V2.6 Flash obtiene 16,1; Inkling 2 Small, 13,0; GPT-6 Luna, 15,2; todos por encima del 12,0 de DaisyRose. Muse Glimmer-30B obtiene 0,5 y Qwen3.6-35B-A3B obtiene 0,0 en el mismo harness.
• Terminal Bench 2.1 — MiMo V2.6 Flash 87.6 e Inkling 2 Small 81.3 lideran ambos; Muse Spark Open se sitúa en 76.4.
• DeepSWE v1.1 — Inkling 2 Small 72,1, MiMo V2.6 Flash 67,9 y GPT-6 Luna 66,6 frente al 46,2 de DaisyRose. Es la derrota más amplia de la tarjeta, y recae en el benchmark que más se parece a la distribución de entrenamiento.
• HLE solo texto — Inkling 2 Small 44.1 y Muse Spark Open 43.9, frente a 34.3.
• GPQA Diamond — Inkling 2 Small 93,0, Beam 1.0 90,6, GPT-6 Luna 90,5, DaisyRose 90,7. Casi un empate en la cima.
• IFBench — DaisyRose 82.4 es la cifra más alta de la tarjeta; ninguna fila de competidores tiene un número.
Lo que indica ese patrón es que el modelo denso de 27,8B gana en seguimiento de instrucciones y se mantiene firme en ciencia de nivel de posgrado, pero pierde frente a modelos dispersos mucho más grandes en las tareas profundas de ingeniería de software. MiMo V2.6 Flash activa 15B de 309B e Inkling 2 Small activa 17B de 594B, así que la comparación es la de un modelo denso de 27B frente a modelos con enrutamiento y veinte veces los parámetros almacenados. Perder frente a ellos no es un fracaso de la receta; es una afirmación sobre cuánto de la brecha puede cerrar un modelo de 27B.

La afirmación del 37% de MFU y qué está midiendo
El blog de RadixArk abre con la eficiencia de entrenamiento en lugar de con el modelo, lo cual es una interpretación justa de lo que vende la empresa —es una firma de infraestructura que ha prestado servicios de despliegues de SGLang para otros laboratorios—, pero hace que los números de eficiencia sean más difíciles de valorar que una fila de benchmark.
La afirmación es una utilización de FLOPs del modelo del 37 % para su backend interno, frente al 16 % de un entrenador de código abierto basado en Megatron, descrito como un costo de entrenamiento 57 % menor y una aceleración de extremo a extremo de 2x. No hay una configuración publicada para la línea base de Megatron: ni plan de paralelismo, ni longitud de secuencia, ni tamaño de lote. Una cifra de MFU del 16 % es plausible para un bucle de entrenamiento denso ingenuo e implausible para uno bien ajustado, por lo que el estatus honesto de «57 % menos costo» es que se trata de una comparación contra una configuración no nombrada de un entrenador no especificado, medida por la parte que construyó la alternativa.
Las 63.000 horas-GPU, en cambio, son una cifra concreta y se puede contrastar con el reloj: 144 GPU durante 18 días son 62.208 horas-GPU, lo que coincide. Así que la ejecución costó lo que RadixArk dice que costó en tiempo de máquina. Lo que la afirmación de eficiencia añade por encima es una declaración sobre cuánto le habría costado a otra persona ese tiempo de máquina, y esa parte no está verificada.
Qué puedes descargar y qué se necesita para servirlo
RadixArk publicó tres precisiones de los pesos, todas bajo Apache 2.0, todas en Hugging Face, además de un borrador de decodificación especulativa.
• BF16 — unos 52 GB. Precisión completa y la referencia para reproducir las cifras de la tarjeta.
• FP8 — unos 29 GB. La compilación que ejecuta el propio ejemplo de servicio de RadixArk, con una caché KV en FP8.
• NVFP4 — unos 23 GB y exclusivo de Blackwell. En una RTX 5090 o una DGX Spark, esta es la versión que hace que un modelo multimodal de 27B quepa cómodamente con espacio para un contexto largo.
• Drafter — RadixArk/Qwen3.8-27B-DSpark, un modelo borrador de decodificación especulativa para SGLang, que es la ruta de servicio que recomienda la tarjeta. La configuración de referencia ejecuta cuatro réplicas de paralelismo de datos en un nodo de cuatro GPU con paralelismo tensorial 1, un contexto de 262.144 tokens y una caché KV FP8.
En cuanto al hardware, RadixArk incluye el despliegue con una sola GPU en H200, B200 y GB300, además de RTX PRO 6000, RTX 5090 y DGX Spark. No se publica en ninguna parte de la ficha ninguna cifra de rendimiento ni de tokens por segundo, lo que supone una laguna importante para quien esté dimensionando un despliegue: falta el único dato que te diría si DSpark justifica la GPU adicional.
Disponibilidad, y la cuestión del precio
No hay ningún precio de API alojada por RadixArk que citar. El sitio de la empresa describe servicios de serving y entrenamiento para otros laboratorios y no publica ningún endpoint de DaisyRose, y la tarjeta del modelo solo remite al autoalojamiento mediante SGLang, vLLM y Docker. Sí existen listados de terceros: uno que vimos en el momento de la publicación cotiza $0.15 por millón de tokens de entrada y $1.88 por millón de tokens de salida, lo cual es una cifra de un proveedor de alojamiento tercero y no un precio de lista del fabricante, y debe tratarse como la posición inicial de un solo proveedor y no como la tarifa del mercado.

DaisyRose 27B en sí no está en el catálogo de OrcaRouter en el momento de escribir esto, y no vamos a insinuar lo contrario. Su modelo base es: Qwen3.8-27B se sirve bajo qwen/qwen3.8-27b, la propia versión de pesos abiertos de Alibaba, a $0.33 por millón de tokens de entrada y $2.40 por millón de salida, con un contexto de 262.144 tokens y la misma torre de visión que conserva el postentrenamiento. Eso importa para cualquiera que evalúe este lanzamiento, porque la forma más barata de comprobar si una mejora de 12 puntos en Terminal Bench justifica levantar una H200 es ejecutar primero el modelo base a través de una API, con los mismos prompts, y comparar. También ofrece una ruta de respaldo: si un despliegue autoalojado de DaisyRose falla a mitad de tarea, el modelo base está detrás de la misma clave, y una regla automática de conmutación por error puede pasarle la solicitud en vez de que la llamada falle.
¿Qué lo zanjaría?
Nada de esta publicación se ha ejecutado de forma independiente. No hay ninguna entrada de Artificial Analysis para DaisyRose 27B, ni un harness de terceros en la tabla de clasificación de Terminal Bench, y las filas entre modelos de la propia comparación de RadixArk se basan en cifras publicadas por otras partes, no en ejecuciones realizadas en paralelo. La ficha es inusualmente explícita sobre todo esto, lo cual dice mucho en su favor, pero una procedencia explícita no convierte una cifra en independiente.
Hay dos cosas que merece la pena observar. La primera es una reproducción de Terminal Bench 4.1 en el arnés público: 5,6 a 12,0 es la afirmación en la que se basa todo el lanzamiento, y es el tipo de salto que también puede producir una diferencia de arnés. La segunda es DeepSWE, donde el modelo queda 26 puntos por detrás de Inkling 2 Small pese a que los datos de entrenamiento son de ingeniería de software agéntica. Si la mejora de 4.1 se reproduce y la brecha de DeepSWE no se cierra, la historia es que el postentrenamiento solo con RL enseña a un modelo a usar una terminal sin enseñarle a razonar sobre una base de código, y ese es un hallazgo mucho más específico y más útil que cualquier puntuación de titular.
Comparados en este artículo1
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
