Kartu judul bertuliskan 'DaisyRose 27B', dengan subjudul 'Delapan belas hari pembelajaran penguatan, tanpa SFT', di atas tiga kartu bertuliskan 'Model dasar: Qwen3.8-27B', 'Pelatihan: sekitar 63,000 jam GPU H200', dan 'Terminal Bench 4.1: 5.6 hingga 12.0', dengan footer bertuliskan 'Angka dari kartu model dan postingan blog RadixArk, 18 November 2026.' Logo OrcaRouter berada di kanan bawah.
Guides & Insights

DaisyRose 27B: 18 Hari RL dan Tanpa Fine-Tuning Terawasi

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

DaisyRose 27B dari RadixArk adalah post-train Qwen3.8-27B yang dibangun dengan reinforcement learning dan tidak dengan apa pun selain itu — tanpa tahap supervised fine-tuning, tanpa distilasi dari teacher yang lebih besar — dan dua baris benchmark yang paling menggambarkan manfaat yang dihasilkannya berada berjarak empat baris di kartu modelnya sendiri. Pada Terminal Bench 4.1, model itu naik dari 5.6 ke 12.0 terhadap basisnya, lebih dari dua kali lipat. Pada DeepSWE v1.1, model itu naik dari 42.2 ke 46.2, kenaikan empat poin. Satu baris menyatakan bahwa resep tersebut mengajari model sesuatu yang sama sekali tidak bisa dilakukannya; baris lainnya menyatakan bahwa untuk sebagian besar hal yang sudah bisa dilakukannya, model itu melakukannya kurang lebih sebaik sebelumnya. RadixArk menerbitkan bobot dan resepnya pada 18 November 2026 di bawah Apache 2.0, dan pembacaan yang jujur atas rilis ini adalah bahwa kedua baris itu benar secara bersamaan.

Ini adalah peluncuran, dan yang terbaru — postingan blog dan kartu Hugging Face berumur tiga hari pada saat penulisan. Berikut ini adalah apa yang diklaim RadixArk, bagian mana yang dapat diperiksa hari ini, dan dari mana angka-angka itu berasal.

Apa yang sebenarnya dilatih

Basisnya adalah Qwen3.8-27B, tidak berubah dalam hal arsitektur: tokenizer yang sama, templat chat yang sama, vision tower yang sama, konteks 262.144 token yang sama. RadixArk mendeskripsikan DaisyRose 27B sebagai pengganti langsung untuk basis tersebut, yang merupakan klaim tentang kompatibilitas dan bukan kualitas — prompt, input gambar, dan konfigurasi serving yang sudah ada tetap berlaku tanpa modifikasi.

• Total parameter — 27,8B, yang mana 0,46B adalah encoder visi dan 0,42B adalah kepala prediksi multi-token.

• Sinyal pelatihan — hanya reinforcement. RadixArk menyatakan bahwa proses tersebut tidak menggunakan fine-tuning terawasi dan tidak melakukan distilasi, yang tidak biasa pada ukuran ini; sebagian besar post-train terbuka pada 27B dimulai dari tahap SFT lalu menggunakan RL untuk mempertajamnya.

• Lingkungan — sekitar 1.200 tugas agen berhorizon panjang yang dikurasi, dibangun dengan Eigent AI, dirancang untuk merangkai beberapa masalah menjadi satu dan tahan terhadap peretasan reward. Sesi berjalan hingga satu juta token, angka yang menjelaskan bagian lain dari penyiapan: tugas selama itu membutuhkan sandbox yang tetap hidup selama berjam-jam.

• Komputasi — 18 hari pada 144 H200, dibagi 128 untuk inferensi dan 16 untuk pelatih, berjalan sepenuhnya secara asinkron, selama sekitar 63.000 jam-GPU. Pelatihnya adalah kerangka kerja Miles.

• Sandbox — sekitar 944.000 di antaranya selama periode berjalan, mencapai puncak 1.566 secara bersamaan, dengan tingkat keberhasilan pembuatan di atas 99,95% pada akhir Oktober. RadixArk memperkirakan infrastruktur tersebut sekitar 80% lebih murah daripada tarif sandbox cloud populer menurut klaimnya.

Pembagian 128/16 adalah bagian yang perlu diperhatikan sejenak. Dalam loop RL asinkron, armada inferensi menghasilkan rollout untuk sesi agen yang panjang sementara pelatih mengonsumsi trajektori yang telah selesai, sehingga rasio tersebut merupakan pernyataan tentang berapa lama setiap rollout berlangsung relatif terhadap satu langkah gradien. Itu juga alasan klaim efisiensi RadixArk dibingkai dalam wall-clock alih-alih FLOPs: proses tersebut selesai dalam delapan belas hari, dan jumlah GPU tidak luar biasa dibandingkan dengan itu.

Tabel benchmark, dibaca bersama catatan kakinya

RadixArk melaporkan tujuh tolok ukur terhadap baseline Qwen3.8-27B, dan menyatakan untuk setiap tolok ukur berapa banyak proses yang dijalankan, harness mana yang digunakan, dan pengaturan sampling mana yang dipakai. Pencatatan catatan kaki itu lebih dari yang dilakukan sebagian besar kartu peluncuran, dan itulah sebabnya angka-angka di bawah ini setidaknya dapat dibandingkan satu sama lain. Angka-angka itu tetap dijalankan oleh vendor dan belum ada pihak di luar RadixArk yang mereproduksinya.

• Terminal Bench 4.1 — 12,0 dibandingkan 5,6 untuk model dasar. Delapan eksekusi per tugas pada harness mini-swe-agent internal dengan peringkasan diaktifkan. Model yang tidak memiliki entri 4.1 dalam perbandingan lintas model menggunakan skor 4.0 sebagai pengganti.

• Terminal Bench 2.1 — 75.5 dibandingkan 73.0. Lima run per tugas, harness Terminus 2. Peningkatan di sini kurang dari tiga poin, yang memberikan kesan berlawanan dengan baris 4.1: suite 2.1 adalah suite yang memang sudah dikuasai model dasar.

• DeepSWE v1.1 — 46,2 dibandingkan 42,2. Delapan kali percobaan, mini-swe-agent.

• SWE Bench Pro v2 — 94,7 dibandingkan 91,3. Lima run, mini-swe-agent, seluruh 642 tugas. Beberapa model yang dibandingkan hanya melaporkan subset Hard, jadi baris ini bukan perbandingan yang setara antar kolom.

• HLE, hanya teks — 34,3 berbanding 33,9. Lima percobaan per soal, tanpa alat, dinilai oleh GPT-6 Luna.

• IFBench — 82,4 dibandingkan 79,5. Empat kali pengujian pada 300 prompt dengan scorer resmi allenai, akurasi ketat tingkat prompt tanpa menyertakan thinking.

• GPQA Diamond — 90,7 berbanding 89,2. Delapan percobaan pada 198 pertanyaan, templat simple-evals, urutan jawaban diacak setiap kali.

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.

Dua properti tabel itu lebih penting daripada baris mana pun. Pertama, setiap skor DaisyRose adalah yang lebih baik dari antara proses BF16 dan FP8-nya, yang menurut RadixArk selisihnya kurang dari satu poin — margin kecil, tetapi itu berarti angka yang dipublikasikan adalah nilai terbaik dari dua, bukan rata-rata. Kedua, sampling: temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Effort tinggi dan temperature tinggi adalah konfigurasi yang dipilih untuk memaksimalkan skor agentic, dan pembaca yang menjalankan pada pengaturan default sebaiknya mengharapkan hasil yang lebih rendah daripada tabel.

Di mana itu bukan pemimpin

Kartu model membandingkan DaisyRose 27B dengan tujuh sistem lain, dan hasilnya bukan kemenangan mutlak — itulah hal yang paling berguna dari tabel tersebut, karena kekalahannya informatif.

• Terminal Bench 4.1 — MiMo V2.6 Flash memperoleh 16,1; Inkling 2 Small 13,0; GPT-6 Luna 15,2; semuanya di atas DaisyRose 12,0. Muse Glimmer-30B memperoleh 0,5 dan Qwen3.6-35B-A3B memperoleh 0,0 pada harness yang sama.

• Terminal Bench 2.1 — MiMo V2.6 Flash 87.6 dan Inkling 2 Small 81.3 sama-sama memimpin; M​use Spark Open berada di 76.4.

• DeepSWE v1.1 — Inkling 2 Small 72,1, MiMo V2.6 Flash 67,9, dan GPT-6 Luna 66,6 dibandingkan 46,2 milik DaisyRose. Ini adalah kekalahan terlebar di kartu, dan terjadi pada benchmark yang paling mendekati distribusi pelatihan.

• HLE hanya teks — Inkling 2 Small 44,1 dan M​use Spark Open 43,9, dibandingkan dengan 34,3.

• GPQA Diamond — Inkling 2 Small 93,0, Beam 1.0 90,6, GPT-6 Luna 90,5, DaisyRose 90,7. Nyaris seri di posisi teratas.

• IFBench — DaisyRose 82.4 adalah angka tertinggi pada kartu; tidak ada baris pesaing yang memiliki angka.

Pola itu menunjukkan bahwa model dense 27,8B menang dalam mengikuti instruksi dan tetap kompetitif pada sains tingkat pascasarjana, tetapi kalah dari model sparse yang jauh lebih besar pada tugas rekayasa perangkat lunak yang mendalam. MiMo V2.6 Flash mengaktifkan 15B dari 309B dan Inkling 2 Small mengaktifkan 17B dari 594B, jadi perbandingannya adalah 27B dense melawan model dengan parameter tersimpan dua puluh kali lipat, yang dirutekan. Kalah dari model-model itu bukanlah kegagalan resep; itu adalah pernyataan tentang seberapa besar celah yang bisa ditutup oleh model 27B.

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.

Klaim MFU 37% dan apa yang diukurnya

Blog RadixArk mengedepankan efisiensi pelatihan alih-alih modelnya, yang merupakan pembacaan wajar atas apa yang dijual perusahaan itu — ia adalah perusahaan infrastruktur yang telah melayani penerapan SGLang untuk laboratorium lain — tetapi hal itu membuat angka efisiensinya lebih sulit dinilai daripada satu baris benchmark.

Klaimnya adalah utilisasi FLOPs model sebesar 37% untuk backend internalnya dibandingkan 16% untuk pelatih open-source berbasis Megatron, yang digambarkan sebagai biaya pelatihan 57% lebih rendah dan percepatan end-to-end 2x. Tidak ada konfigurasi yang dipublikasikan untuk baseline Megatron: tidak ada rencana paralelisme, tidak ada panjang sekuens, tidak ada ukuran batch. Angka MFU 16% masuk akal untuk loop pelatihan dense yang naif dan tidak masuk akal untuk yang dituning dengan baik, jadi status jujur dari "biaya 57% lebih rendah" adalah bahwa itu merupakan perbandingan terhadap konfigurasi tanpa nama dari pelatih yang tidak ditentukan, diukur oleh pihak yang membangun alternatifnya.

Sebaliknya, 63.000 GPU-jam adalah angka yang konkret dan dapat diperiksa kewajarannya terhadap waktu aktual: 144 GPU selama 18 hari sama dengan 62.208 GPU-jam, yang cocok. Jadi, eksekusi tersebut menghabiskan biaya waktu mesin sesuai dengan yang diklaim RadixArk. Yang ditambahkan oleh klaim efisiensi di atasnya adalah pernyataan tentang berapa biaya waktu mesin tersebut bagi pihak lain, dan bagian itu belum terverifikasi.

Apa yang dapat diunduh, dan apa yang diperlukan untuk menyajikannya

RadixArk menerbitkan tiga presisi bobot, semuanya Apache 2.0, semuanya di Hugging Face, plus drafter speculative-decoding.

• BF16 — sekitar 52 GB. Presisi penuh, dan referensi untuk mereproduksi angka-angka pada kartu tersebut.

• FP8 — sekitar 29 GB. Build yang digunakan oleh contoh penyajian milik RadixArk sendiri, dengan cache KV FP8.

• NVFP4 — sekitar 23 GB, dan khusus Blackwell. Pada RTX 5090 atau DGX Spark, inilah build yang membuat model multimodal 27B muat dengan nyaman sekaligus menyisakan ruang untuk konteks panjang.

• Drafter — RadixArk/Qwen3.8-27B-DSpark, model draf speculative decoding untuk SGLang, yang merupakan jalur serving yang direkomendasikan kartu tersebut. Konfigurasi referensi menjalankan empat replika data-paralel di seluruh node empat GPU pada tensor parallelism 1, konteks 262.144 token, dan FP8 KV cache.

Dari sisi perangkat keras, RadixArk mencantumkan deployment GPU tunggal pada H200, B200, dan GB300, plus RTX PRO 6000, RTX 5090, dan DGX Spark. Tidak ada angka throughput atau token per detik yang dipublikasikan di mana pun pada kartu tersebut, dan ini adalah celah nyata bagi siapa saja yang sedang menentukan ukuran deployment: satu angka yang dapat memberi tahu Anda apakah DSpark sepadan dengan tambahan GPU justru tidak ada.

Ketersediaan, dan pertanyaan harga

Tidak ada harga API yang dihosting RadixArk untuk dikutip. Situs perusahaan menjelaskan layanan penyajian dan pelatihan untuk lab lain serta tidak menerbitkan endpoint DaisyRose, dan kartu model hanya mengarah ke self-hosting melalui SGLang, vLLM, dan Docker. Daftar pihak ketiga memang ada: salah satu yang kami lihat saat publikasi mencantumkan $0,15 per juta token masukan dan $1,88 per juta token keluaran, yang merupakan angka dari host pihak ketiga, bukan harga daftar vendor, dan harus diperlakukan sebagai posisi pembuka satu host, bukan tarif pasar.

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 sendiri tidak tercantum dalam katalog OrcaRouter pada saat penulisan, dan kami tidak akan menyiratkan sebaliknya. Model dasarnya adalah: Qwen3.8-27B disediakan dengan nama qwen/qwen3.8-27b, build open-weight milik Alibaba sendiri, dengan harga $0.33 per juta token input dan $2.40 per juta output, dengan konteks 262.144 token dan menara visi yang sama yang dipertahankan oleh model pasca-latih. Itu penting bagi siapa pun yang mengevaluasi rilis ini, karena cara termurah untuk menguji apakah peningkatan 12 poin di Terminal Bench layak untuk menyiapkan H200 adalah menjalankan model dasar melalui API terlebih dahulu, dengan prompt yang sama, lalu membandingkan. Ini juga memberikan jalur cadangan: jika deployment DaisyRose yang di-host sendiri gagal di tengah tugas, model dasar berada di balik kunci yang sama, dan aturan otomatis failover dapat menyerahkan permintaan kepadanya alih-alih menggagalkan panggilan.

Apa yang bisa menyelesaikannya

Tidak ada satu pun dalam rilis ini yang dijalankan secara independen. Tidak ada entri Artificial Analysis untuk DaisyRose 27B, tidak ada harness pihak ketiga di papan peringkat Terminal Bench, dan baris lintas model dalam perbandingan milik RadixArk sendiri mengacu pada angka yang dipublikasikan pihak lain, bukan pada uji yang dijalankan secara berdampingan. Kartu model ini luar biasa eksplisit tentang semua ini, yang merupakan nilai plusnya, tetapi asal-usul yang eksplisit tidak membuat suatu angka menjadi independen.

Ada dua hal yang layak diperhatikan. Yang pertama adalah reproduksi Terminal Bench 4.1 pada harness publik: 5,6 menjadi 12,0 adalah klaim yang menjadi landasan seluruh rilis ini, dan itu adalah jenis lonjakan yang juga bisa dihasilkan oleh perbedaan harness. Yang kedua adalah DeepSWE, di mana model tertinggal 26 poin dari Inkling 2 Small meskipun data pelatihannya adalah rekayasa perangkat lunak agentik. Jika kenaikan 4.1 dapat direproduksi dan kesenjangan DeepSWE tidak menyempit, ceritanya adalah bahwa pasca-pelatihan yang hanya berbasis RL mengajarkan model menggunakan terminal tanpa mengajarkannya bernalar tentang basis kode — dan itu adalah temuan yang jauh lebih spesifik, dan lebih berguna, daripada skor utama mana pun.

Dibandingkan dalam artikel ini1

Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari