כרטיס כותרת שעליו כתוב 'DaisyRose 27B', עם כותרת משנה 'שמונה עשר ימים של למידת חיזוק, ללא SFT', מעל שלושה כרטיסים שעליהם כתוב 'מודל בסיס: Qwen3.8-27B', 'אימון: כ-63,000 שעות GPU של H200', ו-'Terminal Bench 4.1: מ-5.6 ל-12.0', עם כותרת תחתונה שעליה כתוב 'נתונים מכרטיס המודל ומהפוסט בבלוג של RadixArk, 18 בנובמבר 2026.' הלוגו של OrcaRouter נמצא בפינה הימנית התחתונה.
Guides & Insights

DaisyRose 27B: 18 ימים של למידה מחיזוקים וללא כוונון עדין מפוקח

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

DaisyRose 27B מבית RadixArk הוא פוסט-אימון של Qwen3.8-27B שנבנה באמצעות למידת חיזוק ותו לא — ללא מעבר למידה מפוקחת, ללא זיקוק ממורה גדול יותר — ושתי שורות הבנצ'מרק שמתארות בצורה הטובה ביותר מה זה נותן יושבות במרחק ארבע שורות זו מזו בכרטיס המודל של עצמו. ב-Terminal Bench 4.1 המודל עולה מ-5.6 ל-12.0 לעומת הבסיס שלו, יותר מהכפלה. ב-DeepSWE v1.1 הוא עולה מ-42.2 ל-46.2, רווח של ארבע נקודות. שורה אחת אומרת שהמתכון לימד את המודל משהו שהוא בכלל לא ידע לעשות; האחרת אומרת שמרבית מה שהוא כבר ידע לעשות, הוא עושה בערך כמו קודם. RadixArk פרסמה את המשקלים ואת המתכון ב-18 בנובמבר 2026 תחת Apache 2.0, והקריאה הכנה של השחרור היא ששתי השורות נכונות בעת ובעונה אחת.

זוהי השקה, ואחת מהאחרונות — פוסט הבלוג וכרטיס ה-Hugging Face בני שלושה ימים בלבד בזמן כתיבת שורות אלה. להלן מה ש-RadixArk מצהירה, אילו חלקים ממנה ניתנים לבדיקה היום, ומאין מגיעים המספרים.

מה אומן בפועל

הבסיס הוא Qwen3.8-27B, ללא שינוי בארכיטקטורה: אותו טוקנייזר, אותה תבנית צ'אט, אותו מגדל ראייה, אותו הקשר של 262,144 טוקנים. RadixArk מתארת את DaisyRose 27B כהחלפה ישירה (drop-in replacement) עבור אותו בסיס, וזו טענה בדבר תאימות ולא איכות — פרומפטים קיימים, קלטי תמונות וקונפיגורציות הגשה עוברים ללא שינוי.

• סך הפרמטרים — 27.8B, מתוכם 0.46B הוא מקודד הראייה ו-0.42B הוא ראש חיזוי רב-אסימונים.

• אות אימון — חיזוק בלבד. RadixArk מציינת שהריצה לא השתמשה בכיוונון עדין מפוקח ולא בזיקוק, דבר יוצא דופן בגודל הזה; רוב תהליכי האימון-המשך הפתוחים בגודל 27B מתחילים במעבר SFT ומשתמשים ב-RL כדי לחדד אותו.

• סביבה — כ־1,200 משימות סוכן ארוכות טווח שנאצרו, שנבנו עם Eigent AI, שתוכננו לשרשר כמה בעיות יחד ולהיות עמידות בפני האקינג תגמול. ההפעלות נמשכו עד מיליון טוקנים, וזה המספר שמסביר את שאר המערך: משימה כל כך ארוכה דורשת ארגז חול שנשאר פעיל שעות.

• חישוב — 18 ימים על 144 כרטיסי H200, מחולקים ל-128 להסקה (inference) ול-16 למאמן, כשהכול פועל באופן אסינכרוני מלא, במשך כ-63,000 שעות GPU. המאמן הוא פריימוורק Miles.

• סנדבוקסים — כ-944,000 מהם לאורך הריצה, בשיא של 1,566 בו-זמנית, ועם שיעור הצלחה ביצירה של יותר מ-99.95% בסוף אוקטובר. RadixArk מציבה את התשתית הזו בכ-80% פחות ממה שלדבריה גובים סנדבוקסים פופולריים בענן.

החלוקה 128/16 היא החלק שכדאי לעצור עליו. בלופ RL אסינכרוני, צי האינפרנס מייצר rollouts עבור מפגשי סוכן ארוכים בזמן שהמאמן צורך מסלולים מוגמרים, כך שהיחס הוא הצהרה על משך כל rollout ביחס לצעד גרדיאנט. זו גם הסיבה לכך שההצגה של היעילות של RadixArk ממוסגרת בזמן קיר (wall-clock) ולא ב-FLOPs: הריצה הסתיימה בשמונה עשר ימים, ומספר ה-GPUs אינו יוצא דופן לעומת זאת.

טבלת הבנצ'מרק, בקריאה יחד עם הערות השוליים שלה

RadixArk מדווחת על שבעה מבחני ביצוע מול בסיס Qwen3.8-27B, ומפרטת לכל מבחן כמה הרצות, איזו חבילת בדיקות, ואילו הגדרות דגימה. הערות השוליים האלה הן יותר ממה שרוב כרטיסי ההשקה עושים, וזו הסיבה שהמספרים שלמטה בכלל ניתנים להשוואה זה לזה. הם עדיין הורצו על ידי הספק ואף אחד מחוץ ל-RadixArk לא שחזר אותם.

• Terminal Bench 4.1 — 12.0 לעומת 5.6 עבור הבסיס. שמונה ריצות לכל משימה על רתמת mini-swe-agent פנימית עם סיכום מופעל. במודלים ללא רשומת 4.1 בהשוואה בין-מודלית, מוחלף הציון שלהם בציון 4.0.

• Terminal Bench 2.1 — 75.5 מול 73.0. חמישה ריצות לכל משימה, הרנס Terminus 2. הרווח כאן הוא פחות משלוש נקודות, וזה ההפך מהרושם שמעוררת שורת 4.1: חבילת 2.1 היא זו שהמודל הבסיסי כבר היה טוב בה.

• DeepSWE v1.1 — 46.2 לעומת 42.2. שמונה הרצות, mini-swe-agent.

• SWE Bench Pro v2 — 94.7 לעומת 91.3. חמש ריצות, mini-swe-agent, כל 642 המשימות. כמה מהמודלים שהושוו מדווחים רק על תת-הקבוצה Hard, כך שהשורה הזו אינה השוואת תפוחים לתפוחים בין העמודות.

• HLE, טקסט בלבד — 34.3 לעומת 33.9. חמישה ריצות לכל בעיה, ללא כלים, בדירוג של GPT-6 Luna.

• IFBench — 82.4 לעומת 79.5. ארבע ריצות על 300 פרומפטים עם כלי הניקוד הרשמי של allenai, דיוק קפדני ברמת הפרומפט ללא חשיבה.

• GPQA Diamond — 90.7 לעומת 89.2. שמונה ריצות על 198 שאלות, תבנית simple-evals, סדר התשובות עורבב מחדש בכל פעם.

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.

לשני מאפיינים של הטבלה הזו יש חשיבות רבה יותר מכל שורה בודדת. הראשון הוא שכל ציון DaisyRose הוא הטוב מבין ההרצות שלו ב-BF16 וב-FP8, אשר לפי RadixArk נבדלות בפחות מנקודה אחת — מרווח קטן, אך הוא אומר שהנתון שפורסם הוא מיטב מבין שניים ולא ממוצע. השני הוא הדגימה: temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. מאמץ חשיבה גבוה וטמפרטורה גבוהה הם תצורה שנבחרה כדי למקסם ציוני agentic, וקורא שמריץ בהגדרות ברירת מחדל צריך לצפות לתוצאה נמוכה יותר מזו שבטבלה.

היכן שזה לא המוביל

כרטיס המודל משווה את DaisyRose 27B מול שבע מערכות נוספות, והתוצאה אינה ניצחון מוחלט — וזה הדבר השימושי ביותר בטבלה, משום שההפסדים מאלפים.

• Terminal Bench 4.1 — MiMo V2.6 Flash משיג 16.1, Inkling 2 Small 13.0, GPT-6 Luna 15.2, כולם מעל 12.0 של DaisyRose. Muse Glimmer-30B משיג 0.5 ו-Qwen3.6-35B-A3B משיג 0.0 על אותו harness.

• Terminal Bench 2.1 — MiMo V2.6 Flash עם 87.6 ו-Inkling 2 Small עם 81.3 מובילים שניהם; M​use Spark Open עומד על 76.4.

• DeepSWE v1.1 — Inkling 2 Small 72.1, MiMo V2.6 Flash 67.9 ו-GPT-6 Luna 66.6 לעומת 46.2 של DaisyRose. זהו ההפסד הרחב ביותר בכרטיס, והוא נופל על הבנצ'מרק שדומה ביותר להתפלגות האימון.

• HLE טקסט בלבד — Inkling 2 Small 44.1 ו-M​use Spark Open 43.9, לעומת 34.3.

• GPQA Diamond — Inkling 2 Small 93.0, Beam 1.0 90.6, GPT-6 Luna 90.5, DaisyRose 90.7. כמעט תיקו בראש.

• IFBench — DaisyRose 82.4 הוא הנתון הגבוה ביותר בכרטיס; לאף שורת מתחרה אין מספר.

מה שהתבנית הזו אומרת הוא שמודל dense בגודל 27.8B מנצח בציות להוראות ושומר על מקומו במדעים ברמת תואר שני, אך מפסיד למודלים sparse גדולים בהרבה במשימות הנדסת תוכנה מעמיקות. MiMo V2.6 Flash מפעיל 15B מתוך 309B ו-Inkling 2 Small מפעיל 17B מתוך 594B, כך שההשוואה היא בין מודל dense של 27B לבין מודלים מנותבים עם פי עשרים פרמטרים מאוחסנים. להפסיד להם אינו כישלון של המתכון; זו אמירה על כמה מהפער מודל 27B יכול לסגור.

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.

הטענה בדבר 37% MFU ומה שהיא מודדת

הבלוג של RadixArk פותח ביעילות האימון ולא במודל, וזו קריאה הוגנת של מה שהחברה מוכרת — מדובר בחברת תשתיות שהפעילה פריסות SGLang עבור מעבדות אחרות — אבל זה הופך את מספרי היעילות לקשים יותר לתמחור מאשר שורת בנצ'מרק.

הטענה היא ניצולת FLOPs של המודל בשיעור 37% ב-backend הפנימי שלה, לעומת 16% במאמן קוד פתוח מבוסס Megatron, המתוארת כעלות אימון נמוכה ב-57% וכשיפור מהירות מקצה לקצה פי 2. אין תצורה מפורסמת לקו הבסיס Megatron: אין תוכנית מקבוליות, אין אורך רצף, אין גודל אצווה. נתון MFU של 16% הוא סביר עבור לולאת אימון צפופה נאיבית ובלתי סביר עבור לולאה מכוילת היטב, ולכן המעמד הכנה של "עלות נמוכה ב-57%" הוא שההשוואה היא מול תצורה ללא שם של מאמן לא מצוין, כפי שנמדדה על ידי הגורם שבנה את החלופה.

לעומת זאת, 63,000 שעות־GPU הן נתון קונקרטי שאפשר לבצע עליו בדיקת שפיות מול שעון הקיר: 144 GPUs במשך 18 ימים הם 62,208 שעות־GPU, וזה תואם. כך שהריצה עלתה בזמן מכונה כפי ש-RadixArk אומרת שהיא עלתה. מה שטענת היעילות מוסיפה מעל זה הוא הצהרה לגבי מה שהיה עולה זמן מכונה זה למישהו אחר, והחלק הזה אינו מאומת.

מה ניתן להוריד, ומה נדרש כדי לשרת

RadixArk פרסמה שלוש רמות דיוק של המשקלים, כולן תחת רישיון Apache 2.0, כולן ב-Hugging Face, ובנוסף מודל טיוטה לפענוח ספקולטיבי.

• BF16 — כ-52 GB. דיוק מלא, והאסמכתא לשחזור המספרים של הכרטיס.

• FP8 — כ-29 GB. הבילד שדוגמת ההגשה של RadixArk עצמה מריצה, עם מטמון KV מסוג FP8.

• NVFP4 — כ-23 GB, ורק עבור Blackwell. על RTX 5090 או DGX Spark זו הגרסה שמאפשרת למודל מולטימודלי של 27B להיכנס בנוחות עם מקום להקשר ארוך.

• Drafter — RadixArk/Qwen3.8-27B-DSpark, מודל טיוטה ל-speculative decoding עבור SGLang, שהיא נתיב ההגשה שהכרטיס ממליץ עליו. תצורת הייחוס מריצה ארבע רפליקות data-parallel על פני צומת עם ארבעה GPUs ב-tensor parallelism 1, הקשר של 262,144 טוקנים ומטמון KV מסוג FP8.

מבחינת חומרה, RadixArk מפרטת פריסה על GPU בודד ב-H200, B200 ו-GB300, ובנוסף RTX PRO 6000, RTX 5090 ו-DGX Spark. שום נתון של תפוקה או טוקנים לשנייה לא מתפרסם בשום מקום על הכרטיס, וזה פער ממשי לכל מי שמתכנן פריסה: המספר היחיד שיגיד לך אם DSpark שווה את ה-GPU הנוסף חסר.

זמינות, ושאלת התמחור

אין מחיר API באירוח RadixArk לצטט. אתר החברה מתאר שירות ואימון עבור מעבדות אחרות ואינו מפרסם נקודת קצה של DaisyRose, וכרטיס המודל מפנה רק לאירוח עצמי דרך SGLang, vLLM ו-Docker. רישומים של צדדים שלישיים כן קיימים: אחד שראינו בזמן הפרסום מצטט $0.15 למיליון אסימוני קלט ו-$1.88 למיליון אסימוני פלט, שזה מספר של מארח צד שלישי ולא מחיר רשימה של ספק, ויש להתייחס אליו כעמדת פתיחה של מארח אחד ולא כמחיר השוק.

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 עצמו אינו בקטלוג של OrcaRouter בזמן כתיבת הדברים, ואין בכוונתנו לרמוז אחרת. מודל הבסיס שלו הוא: Qwen3.8-27B מוגש תחת qwen/qwen3.8-27b, גרסת המשקלים הפתוחה של A​libaba עצמה, במחיר $0.33 למיליון טוקני קלט ו-$2.40 למיליון טוקני פלט, עם חלון הקשר של 262,144 טוקנים ואותו מגדל חזותי שנשמר בשלב הפוסט-אימון. זה חשוב לכל מי שמעריך את המהדורה הזו, מפני שהדרך הזולה ביותר לבדוק אם שיפור של 12 נקודות ב-Terminal Bench מצדיק הקמת H200 היא להריץ תחילה את מודל הבסיס דרך API, על אותם פרומפטים, ולהשוות. זה גם מספק מסלול גיבוי: אם פריסה באירוח עצמי של DaisyRose קורסת באמצע משימה, מודל הבסיס נמצא מאחורי אותו מפתח, וכלל אוטומטי של מעבר חלופי יכול להעביר לו את הבקשה במקום להכשיל את הקריאה.

מה יפתור את זה

שום דבר במהדורה הזו לא הורץ באופן עצמאי. אין רשומה של Artificial Analysis עבור DaisyRose 27B, אין הארנס של צד שלישי בלוח המובילים של Terminal Bench, והשורות החוצות-מודלים בהשוואה של RadixArk עצמה נשענות על נתונים שפורסמו על ידי גורמים אחרים ולא על הרצות שבוצעו זו לצד זו. הכרטיס מפורש באופן יוצא דופן לגבי כל זה, ולזכותו ייאמר, אבל מקור מפורש לא הופך מספר לעצמאי.

שני דברים שווים מעקב. הראשון הוא שחזור של Terminal Bench 4.1 על ה-harness הציבורי: 5.6 עד 12.0 הוא הטענה שכל השחרור נשען עליה, וזה סוג הקפיצה שהבדל ב-harness יכול גם הוא להפיק. השני הוא DeepSWE, שבו המודל נמצא בפיגור של 26 נקודות אחרי Inkling 2 Small למרות שנתוני האימון הם הנדסת תוכנה סוכנית. אם הרווח של 4.1 משוחזר והפער ב-DeepSWE אינו נסגר, הסיפור הוא שפוסט-אימון מבוסס RL בלבד מלמד מודל להשתמש בטרמינל בלי ללמד אותו לנמק בנוגע לבסיס קוד — וזו ממצא הרבה יותר ספציפי, ושימושי יותר, מכל ציון כותרת בודד.

השוואות במאמר הזה1

זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית