Une carte de titre indiquant « DaisyRose 27B », avec le sous-titre « Dix-huit jours d'apprentissage par renforcement, sans SFT », au-dessus de trois cartes indiquant « Modèle de base : Qwen3.8-27B », « Entraînement : environ 63 000 heures GPU H200 » et « Terminal Bench 4.1 : de 5,6 à 12,0 », avec un pied de page indiquant « Chiffres issus de la fiche de modèle et de l'article de blog de RadixArk, 18 novembre 2026. » Le logo OrcaRouter se trouve en bas à droite.
Guides & Insights

DaisyRose 27B : 18 jours de RL et aucun affinage supervisé

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

DaisyRose 27B de RadixArk est un post-entraînement de Qwen3.8-27B construit avec de l'apprentissage par renforcement et rien d'autre — pas de passe de fine-tuning supervisé, pas de distillation depuis un enseignant plus grand — et les deux lignes de benchmarks qui décrivent le mieux ce que cela apporte se trouvent à quatre lignes d'écart sur sa propre fiche modèle. Sur Terminal Bench 4.1, le modèle passe de 5,6 à 12,0 face à sa base, soit plus du double. Sur DeepSWE v1.1, il passe de 42,2 à 46,2, un gain de quatre points. Une ligne dit que la recette a appris au modèle quelque chose qu'il ne pouvait pas faire du tout ; l'autre dit que, pour l'essentiel de ce qu'il savait déjà faire, il fait à peu près aussi bien qu'avant. RadixArk a publié les poids et la recette le 18 novembre 2026 sous Apache 2.0, et la lecture honnête de cette publication est que les deux lignes sont vraies en même temps.

Il s'agit d'un lancement, et qui plus est récent — le billet de blog et la fiche Hugging Face datent de trois jours au moment de la rédaction. Ce qui suit présente ce que RadixArk affirme, les parties de ces affirmations qui sont vérifiables aujourd'hui, et l'origine des chiffres.

Qu'est-ce qui a réellement été entraîné ?

La base est Qwen3.8-27B, inchangée sur le plan architectural : même tokenizer, même template de chat, même tour de vision, même contexte de 262 144 tokens. RadixArk décrit DaisyRose 27B comme un remplacement direct de cette base, ce qui est une affirmation sur la compatibilité plutôt que sur la qualité — les prompts, les entrées d’image et les configurations de service existants sont repris sans modification.

• Paramètres totaux — 27,8 Md, dont 0,46 Md pour l’encodeur visuel et 0,42 Md pour une tête de prédiction multi-jetons.

• Signal d’entraînement — renforcement uniquement. RadixArk indique que l’exécution n’a utilisé ni ajustement supervisé ni distillation, ce qui est inhabituel à cette taille ; la plupart des post-entraînements ouverts à 27B commencent par une passe SFT et utilisent le RL pour l’affiner.

• Environnement — environ 1 200 tâches d’agent à long horizon soigneusement sélectionnées, créées avec Eigent AI, conçues pour enchaîner plusieurs problèmes et pour résister au reward hacking. Les sessions ont atteint jusqu’à un million de tokens, le chiffre qui explique le reste de la configuration : une tâche d’une telle durée nécessite un bac à sable qui reste actif pendant des heures.

Calcul — 18 jours sur 144 H200, répartis en 128 pour l'inférence et 16 pour l'entraîneur, fonctionnant entièrement de manière asynchrone, pour environ 63 000 heures GPU. L'entraîneur est le framework Miles.

• Sandboxes — environ 944 000 au cours de l’exécution, avec un pic à 1 566 simultanées, et plus de 99,95 % de réussites de création fin octobre. RadixArk estime cette infrastructure à environ 80 % en dessous de ce que facturent, selon lui, les sandboxes cloud populaires.

La répartition 128/16 est le point sur lequel il vaut la peine de s'arrêter. Dans une boucle RL asynchrone, la flotte d'inférence génère des rollouts pour de longues sessions d'agent tandis que l'entraîneur consomme des trajectoires terminées, si bien que le ratio exprime la durée de chaque rollout par rapport à une étape de gradient. C'est aussi pourquoi l'argumentaire d'efficacité de RadixArk est formulé en temps d'horloge plutôt qu'en FLOPs : l'exécution s'est achevée en dix-huit jours, et le nombre de GPU est peu remarquable à côté de cela.

Le tableau de référence, lu avec ses notes de bas de page

RadixArk rapporte sept benchmarks par rapport à la référence Qwen3.8-27B, et indique pour chaque benchmark combien d’exécutions ont été réalisées, quel harness a été utilisé et quels paramètres d’échantillonnage ont été appliqués. Cette mise en notes de bas de page va plus loin que ce que font la plupart des fiches de lancement, et c’est ce qui rend possible la comparaison des chiffres ci-dessous entre eux. Ils restent toutefois produits par le fournisseur et personne en dehors de RadixArk ne les a reproduits.

• Terminal Bench 4.1 — 12,0 contre 5,6 pour la base. Huit exécutions par tâche sur un harnais interne mini-swe-agent avec summarisation activée. Les modèles sans entrée 4.1 dans la comparaison entre modèles ont leur score 4.0 substitué.

• Terminal Bench 2.1 — 75,5 contre 73,0. Cinq exécutions par tâche, harnais Terminus 2. Le gain ici est inférieur à trois points, ce qui donne l’impression inverse de la ligne 4.1 : la suite 2.1 est celle dans laquelle le modèle de base était déjà bon.

• DeepSWE v1.1 — 46,2 contre 42,2. Huit exécutions, mini-swe-agent.

• SWE Bench Pro v2 — 94,7 contre 91,3. Cinq exécutions, mini-swe-agent, les 642 tâches. Plusieurs des modèles comparés ne rapportent que le sous-ensemble Hard, si bien que cette ligne n'est pas comparable d'une colonne à l'autre.

• HLE, texte uniquement — 34,3 contre 33,9. Cinq exécutions par problème, sans outils, notées par GPT-6 Luna.

• IFBench — 82,4 contre 79,5. Quatre exécutions sur 300 prompts avec le scoreur officiel allenai, précision stricte au niveau des prompts, en excluant la réflexion.

• GPQA Diamond — 90,7 contre 89,2. Huit exécutions sur 198 questions, modèle simple-evals, ordre des réponses remélangé à chaque fois.

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.

Deux propriétés de ce tableau importent davantage que n’importe quelle ligne individuelle. La première est que chaque score DaisyRose correspond au meilleur de ses exécutions BF16 et FP8, qui, selon RadixArk, diffèrent de moins d’un point — une marge faible, mais cela signifie que le chiffre publié est un meilleur des deux plutôt qu’une moyenne. La seconde concerne l’échantillonnage : temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Un effort élevé et une température élevée constituent une configuration choisie pour maximiser les scores agentiques, et un lecteur utilisant les paramètres par défaut doit s’attendre à quelque chose de plus bas que le tableau.

Là où il n’est pas le leader

La fiche modèle compare DaisyRose 27B à sept autres systèmes, et le résultat n’est pas un sans-faute — ce qui est l’aspect le plus utile du tableau, car les défaites sont instructives.

• Terminal Bench 4.1 — MiMo V2.6 Flash obtient 16,1, Inkling 2 Small 13,0, GPT-6 Luna 15,2, tous au-dessus du 12,0 de DaisyRose. Muse Glimmer-30B obtient 0,5 et Qwen3.6-35B-A3B obtient 0,0 sur le même banc d’essai.

• Terminal Bench 2.1 — MiMo V2.6 Flash 87.6 et Inkling 2 Small 81.3 arrivent tous les deux en tête ; M​use Spark Open se situe à 76.4.

• DeepSWE v1.1 — Inkling 2 Small 72,1, MiMo V2.6 Flash 67,9 et GPT-6 Luna 66,6 contre 46,2 pour DaisyRose. Il s'agit de l'écart le plus important de la carte, et il porte sur le benchmark qui ressemble le plus à la distribution d'entraînement.

• HLE en texte uniquement — Inkling 2 Small 44,1 et M​use Spark Open 43,9, contre 34,3.

• GPQA Diamond — Inkling 2 Small 93.0, Beam 1.0 90.6, GPT-6 Luna 90.5, DaisyRose 90.7. Une quasi-égalité en tête.

• IFBench — DaisyRose 82.4 est le chiffre le plus élevé de la carte ; aucune ligne de concurrent ne comporte de nombre.

Ce que ce schéma indique, c’est que le modèle dense de 27,8 B l’emporte sur le suivi d’instructions et tient bon sur les sciences de niveau universitaire avancé, mais perd face à des modèles clairsemés bien plus grands sur les tâches profondes d’ingénierie logicielle. MiMo V2.6 Flash active 15 B sur 309 B et Inkling 2 Small active 17 B sur 594 B ; la comparaison oppose donc un modèle dense de 27 B à des modèles à routage comptant vingt fois plus de paramètres stockés. Perdre face à ceux-ci n’est pas un échec de la recette ; c’est un constat sur la part de l’écart qu’un modèle de 27 B peut combler.

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.

L’affirmation de 37 % de MFU et ce qu’elle mesure

Le blog de RadixArk met en avant l’efficacité de l’entraînement plutôt que le modèle, ce qui est une lecture juste de ce que vend l’entreprise — c’est un acteur de l’infrastructure qui a servi des déploiements SGLang pour d’autres laboratoires — mais cela rend les chiffres d’efficacité plus difficiles à évaluer qu’une ligne de benchmark.

L'affirmation est un taux d'utilisation des FLOPs du modèle de 37 % pour son backend interne, contre 16 % pour un entraîneur open source basé sur Megatron, décrit comme un coût d'entraînement inférieur de 57 % et une accélération de bout en bout d'un facteur 2. Aucune configuration n'est publiée pour la base de référence Megatron : ni plan de parallélisme, ni longueur de séquence, ni taille de lot. Un chiffre de 16 % de MFU est plausible pour une boucle d'entraînement dense naïve et invraisemblable pour une boucle bien réglée ; le statut honnête de « coût inférieur de 57 % » est donc qu'il s'agit d'une comparaison avec une configuration non nommée d'un entraîneur non spécifié, mesurée par la partie qui a construit l'alternative.

Les 63 000 heures GPU, en revanche, constituent un chiffre concret que l’on peut vérifier par rapport au temps réel : 144 GPU pendant 18 jours correspondent à 62 208 heures GPU, ce qui concorde. L’exécution a donc coûté ce que RadixArk affirme qu’elle a coûté en temps machine. Ce que l’affirmation d’efficacité ajoute par-dessus est une déclaration sur ce que ce temps machine aurait coûté à quelqu’un d’autre, et cette partie n’est pas vérifiée.

Ce que vous pouvez télécharger, et ce qu'il faut pour le servir

RadixArk a publié trois précisions des poids, toutes sous Apache 2.0, toutes sur Hugging Face, ainsi qu’un modèle de proposition pour le décodage spéculatif.

• BF16 — environ 52 Go. Précision complète, et la référence pour reproduire les chiffres de la carte.

• FP8 — environ 29 Go. La version compilée exécutée par l’exemple de serving de RadixArk, avec un cache KV FP8.

• NVFP4 — environ 23 Go, et uniquement sur Blackwell. Sur une RTX 5090 ou un DGX Spark, c’est la version qui permet à un modèle multimodal de 27B de tenir confortablement avec de la place pour un long contexte.

• Modèle de draft — RadixArk/Qwen3.8-27B-DSpark, un modèle de draft pour le décodage spéculatif destiné à SGLang, qui est la voie de service recommandée par la carte. La configuration de référence exécute quatre répliques en parallèle de données sur un nœud à quatre GPU avec un parallélisme tensoriel de 1, un contexte de 262 144 jetons et un cache KV FP8.

Côté matériel, RadixArk mentionne un déploiement sur un seul GPU sur H200, B200 et GB300, ainsi que sur RTX PRO 6000, RTX 5090 et DGX Spark. Aucun chiffre de débit ni de jetons par seconde n’est publié nulle part sur la fiche, ce qui constitue une véritable lacune pour quiconque dimensionne un déploiement : le seul chiffre qui vous dirait si DSpark justifie le GPU supplémentaire est absent.

Disponibilité, et la question du prix

Il n’y a aucun prix d’API hébergée par RadixArk à citer. Le site de l’entreprise décrit des services d’inférence et d’entraînement pour d’autres laboratoires et ne publie aucun point de terminaison DaisyRose, et la fiche du modèle ne renvoie qu’à l’auto-hébergement via SGLang, vLLM et Docker. Il existe bien des offres de tiers : l’une que nous avons vue au moment de la publication indique 0,15 $ par million de jetons d’entrée et 1,88 $ par million de jetons de sortie, ce qui est un chiffre d’un hébergeur tiers plutôt qu’un prix catalogue d’un fournisseur et doit être considéré comme le prix d’appel d’un hébergeur plutôt que comme le tarif du marché.

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 lui-même ne figure pas au catalogue d'OrcaRouter au moment de la rédaction, et nous n'allons pas laisser entendre le contraire. Son modèle de base est : Qwen3.8-27B est servi sous qwen/qwen3.8-27b, la version open-weight d'Alibaba elle-même, à $0,33 par million de tokens d'entrée et $2,40 par million de tokens de sortie, avec un contexte de 262 144 tokens et la même tour de vision que conserve le post-entraînement. Cela compte pour quiconque évalue cette version, car le moyen le moins coûteux de vérifier si un gain de 12 points sur Terminal Bench justifie de déployer un H200 est de faire d'abord tourner le modèle de base via une API, sur les mêmes invites, et de comparer. Cela offre aussi une voie de repli : si un déploiement DaisyRose auto-hébergé tombe en panne en cours de tâche, le modèle de base se trouve derrière la même clé, et une règle automatique de basculement peut transmettre la requête à celui-ci plutôt que de faire échouer l'appel.

Qu'est-ce qui réglerait la question ?

Rien dans cette version n’a été exécuté de manière indépendante. Il n’existe aucune entrée Artificial Analysis pour DaisyRose 27B, aucun harnais tiers sur le classement Terminal Bench, et les lignes inter-modèles de la propre comparaison de RadixArk s’appuient sur des chiffres publiés par d’autres parties plutôt que sur des exécutions menées côte à côte. La fiche est inhabituellement explicite à ce sujet, ce qui lui fait honneur, mais une provenance explicite ne rend pas un chiffre indépendant.

Deux choses méritent d’être surveillées. La première est une reproduction de Terminal Bench 4.1 sur le harnais public : de 5,6 à 12,0 est l’affirmation sur laquelle repose toute la publication, et c’est le genre de saut qu’une différence de harnais peut aussi produire. La seconde est DeepSWE, où le modèle se situe 26 points derrière Inkling 2 Small alors même que les données d’entraînement relèvent de l’ingénierie logicielle agentique. Si le gain de 4.1 se reproduit et que l’écart DeepSWE ne se comble pas, l’histoire est que le post-entraînement par RL uniquement apprend à un modèle à utiliser un terminal sans lui apprendre à raisonner sur une base de code — et c’est une conclusion bien plus spécifique, et plus utile, que n’importe quel score phare pris isolément.

Comparés dans cet article1

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement