Una card del titolo recita 'DaisyRose 27B', con il sottotitolo 'Diciotto giorni di apprendimento per rinforzo, senza SFT', sopra tre card che recitano 'Modello base: Qwen3.8-27B', 'Addestramento: circa 63.000 ore GPU H200' e 'Terminal Bench 4.1: da 5,6 a 12,0', con un piè di pagina che recita 'Dati dalla scheda modello e dal post sul blog di RadixArk, 18 novembre 2026.' Il logo OrcaRouter si trova in basso a destra.
Guides & Insights

DaisyRose 27B: 18 giorni di RL e nessun fine-tuning supervisionato

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

DaisyRose 27B di RadixArk è un post-training di Qwen3.8-27B costruito con l'apprendimento per rinforzo e nient'altro — nessuna passata di fine-tuning supervisionato, nessuna distillazione da un teacher più grande — e le due righe di benchmark che descrivono meglio ciò che questo comporta si trovano a quattro righe di distanza sulla sua stessa scheda del modello. Su Terminal Bench 4.1 il modello passa da 5,6 a 12,0 rispetto alla sua base, più che raddoppiando. Su DeepSWE v1.1 passa da 42,2 a 46,2, un guadagno di quattro punti. Una riga dice che la ricetta ha insegnato al modello qualcosa che non era affatto in grado di fare; l'altra dice che, per la maggior parte di ciò che già sapeva fare, se la cava più o meno come prima. RadixArk ha pubblicato i pesi e la ricetta il 18 novembre 2026 con licenza Apache 2.0, e la lettura onesta del rilascio è che entrambe le righe sono vere allo stesso tempo.

Si tratta di un lancio, e anche recente — il post sul blog e la scheda su Hugging Face hanno tre giorni al momento in cui scriviamo. Quanto segue è ciò che afferma RadixArk, quali parti sono verificabili oggi e da dove provengono i numeri.

Cosa è stato effettivamente addestrato

La base è Qwen3.8-27B, invariata nell'architettura: stesso tokenizzatore, stesso template di chat, stessa torre di visione, stesso contesto di 262.144 token. RadixArk descrive DaisyRose 27B come un sostituto immediato di quella base, un'affermazione sulla compatibilità più che sulla qualità: i prompt, gli input immagine e le configurazioni di servizio esistenti restano validi senza modifiche.

• Totale parametri — 27,8B, di cui 0,46B è il codificatore visivo e 0,42B è una testa di predizione multi-token.

• Segnale di addestramento — solo reinforcement. RadixArk afferma che l'addestramento non ha utilizzato né fine-tuning supervisionato né distillazione, cosa insolita a questa scala; la maggior parte dei post-training open da 27B parte da una passata di SFT e usa il RL per affinarlo.

• Ambiente — circa 1.200 attività curate per agenti a lungo orizzonte, create con Eigent AI, progettate per concatenare più problemi tra loro e per essere resistenti al reward hacking. Le sessioni arrivavano fino a un milione di token, ed è questo numero a spiegare il resto della configurazione: un compito così lungo richiede una sandbox che rimanga attiva per ore.

• Calcolo — 18 giorni su 144 H200s, suddivisi in 128 per l'inferenza e 16 per il trainer, funzionando in modo completamente asincrono, per circa 63.000 GPU-ore. Il trainer è il framework Miles.

• Sandbox — circa 944.000 nel corso dell'esecuzione, con un picco di 1.566 simultanei e oltre il 99,95% di successi nella creazione a fine ottobre. RadixArk stima che questa infrastruttura costi circa l'80% in meno rispetto a quanto affermano di addebitare i popolari sandbox cloud.

La suddivisione 128/16 è il punto su cui vale la pena soffermarsi. In un ciclo RL asincrono, la flotta di inferenza genera rollout per lunghe sessioni agente mentre il trainer consuma traiettorie completate, quindi il rapporto indica quanto tempo richiede ogni rollout rispetto a un passo di gradiente. È anche il motivo per cui la proposta di efficienza di RadixArk è formulata in wall-clock anziché in FLOP: l'esecuzione si è conclusa in diciotto giorni, e il numero di GPU è poco notevole al confronto.

La tabella dei benchmark, letta con le sue note a piè di pagina

RadixArk riporta sette benchmark rispetto alla baseline Qwen3.8-27B e indica, per ciascun benchmark, quante esecuzioni, quale harness e quali impostazioni di campionamento. Questa nota a piè di pagina è più di quanto facciano la maggior parte delle schede di lancio, ed è il motivo per cui i numeri riportati di seguito possono essere confrontati tra loro. Restano comunque eseguiti dal fornitore e nessuno al di fuori di RadixArk li ha riprodotti.

• Terminal Bench 4.1 — 12,0 contro 5,6 per la versione base. Otto esecuzioni per attività su un harness interno mini-swe-agent con summarizzazione abilitata. Per i modelli senza una voce 4.1 nel confronto tra modelli, viene sostituito il punteggio 4.0.

• Terminal Bench 2.1 — 75,5 contro 73,0. Cinque esecuzioni per task, harness Terminus 2. Il guadagno qui è inferiore a tre punti, il che dà l'impressione opposta rispetto alla riga 4.1: la suite 2.1 è quella in cui il modello base era già bravo.

DeepSWE v1.1 — 46,2 contro 42,2. Otto esecuzioni, mini-swe-agent.

• SWE Bench Pro v2 — 94,7 contro 91,3. Cinque esecuzioni, mini-swe-agent, tutte le 642 attività. Diversi dei modelli confrontati riportano solo il sottoinsieme Hard, quindi questa riga non è un confronto omogeneo tra le colonne.

• HLE, solo testo — 34,3 contro 33,9. Cinque esecuzioni per problema, senza strumenti, valutato da GPT-6 Luna.

• IFBench — 82,4 contro 79,5. Quattro esecuzioni su 300 prompt con lo scorer ufficiale allenai, accuratezza rigorosa a livello di prompt escludendo il thinking.

• GPQA Diamond — 90,7 contro 89,2. Otto esecuzioni su 198 domande, template simple-evals, ordine delle risposte rimescolato ogni volta.

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.

Due proprietà di quella tabella contano più di qualsiasi singola riga. La prima è che ogni punteggio DaisyRose è il migliore tra le sue esecuzioni BF16 e FP8, che secondo RadixArk differiscono per meno di un punto: un margine piccolo, ma significa che il valore pubblicato è un best-of-two anziché una media. La seconda è il campionamento: temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Sforzo elevato e temperatura elevata sono una configurazione scelta per massimizzare i punteggi agentici, e chi legge eseguendo con le impostazioni predefinite dovrebbe aspettarsi qualcosa di inferiore rispetto alla tabella.

Dove non è il leader

La scheda del modello confronta DaisyRose 27B con altri sette sistemi, e il risultato non è una vittoria netta — che è la cosa più utile della tabella, perché le sconfitte sono informative.

• Terminal Bench 4.1 — MiMo V2.6 Flash ottiene 16.1, Inkling 2 Small 13.0, GPT-6 Luna 15.2, tutti sopra il 12.0 di DaisyRose. Muse Glimmer-30B ottiene 0.5 e Qwen3.6-35B-A3B ottiene 0.0 sullo stesso harness.

• Terminal Bench 2.1 — MiMo V2.6 Flash 87.6 e Inkling 2 Small 81.3 guidano entrambi; M​use Spark Open si attesta a 76.4.

• DeepSWE v1.1 — Inkling 2 Small 72,1, MiMo V2.6 Flash 67,9 e GPT-6 Luna 66,6 contro il 46,2 di DaisyRose. Questa è la perdita più ampia della scheda, e cade sul benchmark che più assomiglia alla distribuzione di addestramento.

• HLE solo testo — Inkling 2 Small 44,1 e M​use Spark Open 43,9, contro 34,3.

• GPQA Diamond — Inkling 2 Small 93,0, Beam 1.0 90,6, GPT-6 Luna 90,5, DaisyRose 90,7. Un quasi pareggio al vertice.

• IFBench — DaisyRose 82.4 è il valore più alto sulla scheda; nessuna riga dei concorrenti riporta un numero.

Ciò che quello schema dice è che il modello dense da 27,8B vince sul rispetto delle istruzioni e tiene testa sulle scienze a livello universitario avanzato, e perde contro modelli sparse molto più grandi nei compiti complessi di ingegneria del software. MiMo V2.6 Flash attiva 15B su 309B e Inkling 2 Small attiva 17B su 594B, quindi il confronto è un dense da 27B contro modelli con venti volte i parametri memorizzati, con routing. Perdere contro quelli non è un fallimento della ricetta; è un'indicazione di quanta parte del divario un 27B possa colmare.

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'asserzione del 37% di MFU e ciò che misura

Il blog di RadixArk mette in primo piano l’efficienza di addestramento anziché il modello, il che è una lettura equa di ciò che vende l’azienda — è una realtà infrastrutturale che ha fornito deployment SGLang ad altri laboratori — ma rende i numeri sull’efficienza più difficili da valutare rispetto a una riga di benchmark.

L'affermazione è un utilizzo dei FLOPs del modello del 37% per il proprio backend interno rispetto al 16% di un trainer open source basato su Megatron, descritta come costo di addestramento inferiore del 57% e un'accelerazione end-to-end di 2x. Non esiste alcuna configurazione pubblicata per la baseline Megatron: nessun piano di parallelismo, nessuna lunghezza di sequenza, nessuna dimensione del batch. Un valore MFU del 16% è plausibile per un ciclo di addestramento denso naive e implausibile per uno ben ottimizzato, quindi lo stato onesto di «costo inferiore del 57%» è che si tratta di un confronto con una configurazione senza nome di un trainer non specificato, misurata dalla parte che ha realizzato l'alternativa.

Il valore di 63.000 GPU-ore, al contrario, è una cifra concreta e può essere verificato rispetto al tempo effettivo: 144 GPU per 18 giorni equivalgono a 62.208 GPU-ore, il che corrisponde. Quindi l'esecuzione è costata, in tempo macchina, quanto RadixArk dice che sia costata. Ciò che l'affermazione sull'efficienza aggiunge è una dichiarazione su quanto quel tempo macchina sarebbe costato a qualcun altro, e quella parte non è verificata.

Cosa puoi scaricare e cosa serve per servire

RadixArk ha pubblicato tre precisioni dei pesi, tutte con licenza Apache 2.0, tutte su Hugging Face, oltre a un drafter per la decodifica speculativa.

• BF16 — circa 52 GB. Precisione completa e riferimento per riprodurre i numeri della scheda.

• FP8 — circa 29 GB. La build eseguita dall'esempio di serving di RadixArk stesso, con una KV cache in FP8.

• NVFP4 — circa 23 GB, ed esclusivamente per Blackwell. Su una RTX 5090 o una DGX Spark questa è la build che permette di ospitare comodamente un modello multimodale da 27B, con spazio per un contesto lungo.

• Drafter — RadixArk/Qwen3.8-27B-DSpark, un modello draft per la decodifica speculativa per SGLang, ovvero il percorso di serving consigliato dalla scheda. La configurazione di riferimento esegue quattro repliche data-parallel su un nodo a quattro GPU con tensor parallelism 1, un contesto di 262,144 token e una cache KV FP8.

Sul fronte hardware, RadixArk elenca il deployment su GPU singola con H200, B200 e GB300, oltre a RTX PRO 6000, RTX 5090 e DGX Spark. Non viene pubblicato da nessuna parte, sulla scheda, alcun dato relativo al throughput o ai token al secondo, il che rappresenta una vera lacuna per chiunque stia dimensionando un deployment: manca proprio il numero che ti direbbe se DSpark vale la GPU extra.

Disponibilità e la questione del prezzo

Non c'è alcun prezzo API ospitato da RadixArk da citare. Il sito dell'azienda descrive attività di serving e training per altri laboratori e non pubblica alcun endpoint DaisyRose, mentre la scheda del modello rimanda solo all'auto-hosting tramite SGLang, vLLM e Docker. Esistono comunque listini di terze parti: uno che abbiamo visto al momento della pubblicazione indica 0,15 $ per milione di token di input e 1,88 $ per milione di token di output; si tratta del numero di un host di terze parti, non di un prezzo di listino del fornitore, e va considerato la posizione di apertura di un singolo host, non il prezzo di mercato.

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 stesso non è presente nel catalogo di OrcaRouter al momento della stesura, e non intendiamo insinuare il contrario. Il suo modello base è: Qwen3.8-27B viene servito con l'identificativo qwen/qwen3.8-27b, la build open-weight di Alibaba stessa, a $0.33 per milione di token in input e $2.40 per milione in output, con una finestra di contesto di 262.144 token e la stessa vision tower che il post-training mantiene. Questo conta per chiunque valuti questa release, perché il modo più economico per verificare se un guadagno di 12 punti su Terminal Bench valga la pena di mettere in piedi una H200 è far girare prima il modello base attraverso un'API, sugli stessi prompt, e confrontare. Offre anche un percorso di ripiego: se un deployment self-hosted di DaisyRose cade a metà attività, il modello base resta dietro la stessa chiave, e una regola automatica di failover può assegnargli la richiesta invece di far fallire la chiamata.

Cosa lo risolverebbe

Niente in questo rilascio è stato eseguito in modo indipendente. Non esiste una voce di Artificial Analysis per DaisyRose 27B, né un harness di terze parti nella classifica di Terminal Bench, e le righe cross-modello nella comparazione di RadixArk attingono a cifre pubblicate da altre parti anziché a esecuzioni svolte fianco a fianco. La scheda è insolitamente esplicita su tutto ciò, il che le fa onore, ma una provenienza esplicita non rende un numero indipendente.

Due cose meritano attenzione. La prima è una riproduzione di Terminal Bench 4.1 sull'harness pubblico: da 5.6 a 12.0 è l'affermazione su cui si basa l'intera release, ed è il tipo di salto che anche una differenza di harness può produrre. La seconda è DeepSWE, dove il modello si colloca 26 punti dietro Inkling 2 Small nonostante i dati di addestramento siano di ingegneria del software agentica. Se il guadagno di 4.1 si riproduce e il divario di DeepSWE non si chiude, la conclusione è che il post-addestramento solo RL insegna a un modello a usare un terminale senza insegnargli a ragionare su una base di codice — e questa è una scoperta molto più specifica e più utile di qualsiasi singolo punteggio di punta.

Confrontati in questo articolo1

Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno