
DaisyRose 27B:18日間のRL、教師ありファインチューニングなし
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 187 tok/s
- openaiNEWOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 100万トークンあたり · 87 tok/s
- openaiNEWOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 100万トークンあたり · 152 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 194 tok/s
- AlibabaNEWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 100万トークンあたり · 86 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 705 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 100万トークンあたり · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 101 tok/s
RadixArk の DaisyRose 27B は、Qwen3.8-27B のポストトレーニング版であり、強化学習だけで構築されている——教師ありファインチューニングの工程も、より大きな教師モデルからの蒸留もない——そして、その見返りを最もよく表す 2 つのベンチマーク行は、同じモデルカード上で 4 行しか離れていない。Terminal Bench 4.1 では、このモデルはベースモデル比で 5.6 から 12.0 へと向上し、2 倍超になる。DeepSWE v1.1 では 42.2 から 46.2 へと、4 ポイント向上する。一方の行は、このレシピがモデルに、まったくできなかったことを教えたことを示している。もう一方の行は、すでにできていたことの大半については、以前とほぼ同じくらいうまくこなすことを示している。RadixArk は 2026 年 11 月 18 日に、Apache 2.0 の下で重みとレシピを公開した。このリリースを正直に読めば、両方の行が同時に真実だということになる。
これはローンチであり、ごく最近のものです。執筆時点で、ブログ記事とHugging Faceのカードは公開から3日しか経っていません。以下では、RadixArkが主張している内容、そのうち今日時点で検証できる部分、そして数字の出所を説明します。
実際に何が学習されたのか
ベースはQwen3.8-27Bで、アーキテクチャは変更されていない。同じトークナイザー、同じチャットテンプレート、同じビジョンタワー、同じ262,144トークンのコンテキストを備える。RadixArkはDaisyRose 27Bをそのベースのドロップイン代替品と説明しているが、これは品質ではなく互換性に関する主張である。既存のプロンプト、画像入力、サービング設定は変更なしで引き継がれる。
• 総パラメータ数 — 27.8B(うち0.46Bが視覚エンコーダー、0.42Bがマルチトークン予測ヘッド)
• 学習シグナル — 強化学習のみ。RadixArk は、この実行では教師ありファインチューニングも蒸留も一切使用していないと述べているが、この規模では異例である。27B のオープンなポストトレーニングのほとんどは SFT パスから開始し、それを RL で研ぎ澄ます。
• 環境 — 厳選された約1,200の長期的なエージェントタスク。Eigent AIで構築され、複数の問題を連鎖させること、および報酬ハッキングへの耐性を持つように設計されている。セッションは最大100万トークンに達し、この数字が残りのセットアップを説明している。それほど長いタスクには、何時間も稼働し続けるサンドボックスが必要だ。
• 計算 — 144台のH200s上で18日間、推論用に128台、トレーナー用に16台に分割し、完全に非同期で実行して、約63,000 GPU時間。トレーナーはMilesフレームワークです。
• サンドボックス — 今回の実行期間中に約94万4,000個、同時実行数は最大1,566個。10月下旬時点の作成成功率は99.95%超。RadixArkは、そのインフラを、人気のクラウドサンドボックスが請求するとされる料金より約80%低いとしている。
128/16 の分割は、少し立ち止まって考える価値のある部分だ。非同期 RL ループでは、推論フリートが長いエージェントセッション向けのロールアウトを生成し、トレーナーが完了したトラジェクトリを消費する。したがってこの比率は、各ロールアウトが勾配ステップに対してどれだけ時間を要するかを示すものだ。また、RadixArk の効率性に関する主張が FLOPs ではなく実時間(ウォールクロック)で語られる理由でもある。その実行は 18 日で完了しており、GPU 数はそれに比べれば特筆すべきものではない。
脚注と併せて読むベンチマーク表
RadixArkはQwen3.8-27Bベースラインに対して7つのベンチマークを報告し、各ベンチマークについて実行回数、使用したハーネス、サンプリング設定を明記している。この脚注の付け方は大半のローンチカードよりも詳細で、以下の数値を相互に比較できるのはまさにこのおかげだ。ただし依然としてベンダーが実行したものであり、RadixArk以外で再現した者は誰もいない。
• Terminal Bench 4.1 — ベースモデルが5.6であるのに対し12.0。要約を有効にした内部のmini-swe-agentハーネスで、タスクごとに8回実行。モデル間比較に4.1のエントリがないモデルは、4.0のスコアで置き換えられている。
• Terminal Bench 2.1 — 75.5 対 73.0。1タスクあたり5回実行、Terminus 2 ハーネス。ここでの向上は3ポイント未満で、これは4.1の行とは逆の印象だ。2.1スイートはベースモデルがすでに得意としていたものだから。
• DeepSWE v1.1 — 46.2 対 42.2。8回の実行、mini-swe-agent。
• SWE Bench Pro v2 — 94.7 対 91.3。5回実行、mini-swe-agent、全642タスク。比較対象のモデルのいくつかは Hard サブセットのみを報告しているため、この行は列間で単純比較できるものではありません。
HLE、テキストのみ — 34.3 対 33.9。各問題5回実行、ツールなし、GPT-6 Lunaによる採点。
• IFBench — 82.4 対 79.5。公式の allenai スコアラーを用いた300プロンプトでの4回の実行、思考を除く厳密なプロンプトレベルの精度。
• GPQA Diamond — 89.2 に対して 90.7。198 問で 8 回実行、simple-evals テンプレート、毎回回答の順序を並べ替え。

その表では、個々の行よりも重要な特性が2つある。1つ目は、すべてのDaisyRoseスコアがBF16とFP8の実行のうち良い方であり、RadixArkによれば両者の差は1ポイント未満だということだ。これは小さな差だが、公表された数値が平均ではなく2回のうちの最良値であることを意味する。2つ目はサンプリングだ。temperature 1.0、top_p 0.95、top_k 20、reasoning effort xhigh。高いeffortと高いtemperatureはエージェントスコアを最大化するために選ばれた設定であり、デフォルト設定で実行する読者は表より低い値を期待すべきだ。
それがリーダーではない場合
モデルカードはDaisyRose 27Bを他の7つのシステムと比較しており、結果は完全勝利ではない。しかし、まさにそこがこの表の最も有用な点である。なぜなら、負けた項目から多くのことが分かるからだ。
• Terminal Bench 4.1 — MiMo V2.6 Flash は 16.1、Inkling 2 Small は 13.0、GPT-6 Luna は 15.2 を記録し、いずれも DaisyRose の 12.0 を上回っています。同じハーネス上で、Muse Glimmer-30B は 0.5、Qwen3.6-35B-A3B は 0.0 を記録しています。
• Terminal Bench 2.1 — MiMo V2.6 Flash が 87.6、Inkling 2 Small が 81.3 でともに首位。Muse Spark Open は 76.4。
• DeepSWE v1.1 — Inkling 2 Small 72.1、MiMo V2.6 Flash 67.9、GPT-6 Luna 66.6 に対し、DaisyRose は 46.2。これはカード上で最も大きな敗差であり、しかもそれが、訓練分布に最も近いベンチマークで起きている。
• HLEテキストのみ — Inkling 2 Small 44.1、Muse Spark Open 43.9、対して34.3。
• GPQA Diamond — Inkling 2 Small 93.0、Beam 1.0 90.6、GPT-6 Luna 90.5、DaisyRose 90.7。首位はほぼ互角です。
• IFBench — DaisyRose 82.4 はカード上の最高値です。競合他社の行には数値がありません。
このパターンが示しているのは、27.8Bのdenseモデルは指示追従で勝ち、大学院レベルの科学では互角に渡り合い、深いソフトウェアエンジニアリングタスクでははるかに大規模なsparseモデルに負ける、ということだ。MiMo V2.6 Flashは309Bのうち15Bを活性化し、Inkling 2 Smallは594Bのうち17Bを活性化する。つまりこの比較は、27Bのdenseモデル対、保存パラメータ数が20倍でルーティングされるモデルとの比較である。それらに負けることはレシピの失敗ではない。27Bがそのギャップをどれだけ埋められるかについての表明なのだ。

37% MFUという主張と、それが何を測定しているのか
RadixArkのブログはモデルではなくトレーニング効率を前面に出しており、これは同社が何を売っているかを適切に捉えた見方ではある——他ラボ向けにSGLangのデプロイを手がけてきたインフラ企業だからだ——が、そのせいで効率の数値はベンチマークの1行よりも評価しづらくなっている。
主張は、自社内部バックエンドでモデルのFLOPs利用率37%、Megatronベースのオープンソーストレーナーで16%というもので、トレーニングコスト57%削減、エンドツーエンドで2倍の高速化と説明されている。Megatronベースラインについて公開された構成はなく、並列化計画もシーケンス長もバッチサイズも示されていない。MFU 16%という数値は、素朴なdenseトレーニングループならあり得るが、適切にチューニングされたものとしては不自然である。したがって、「コスト57%削減」の正直な位置づけは、名称不明のトレーナーの明示されていない構成との比較であり、しかも代替案を構築した当事者によって測定されたものだ、という点にある。
これに対し、63,000 GPU時間は具体的な数字であり、実際の経過時間と突き合わせて妥当性を確認できる。144基のGPUを18日間使うと62,208 GPU時間となり、一致する。つまり、この実行はマシンタイムに関してRadixArkが主張した通りのコストがかかった。効率性の主張がその上で付け加えているのは、そのマシンタイムが他の誰かにとってどれほどのコストになったかという話であり、その部分は未検証だ。
ダウンロードできるものと、提供するために必要なもの
RadixArkは、重みの3つの精度版(すべてApache 2.0、すべてHugging Face上)に加えて、投機的デコーディング用のドラフターを公開しました。
• BF16 — 約52 GB。完全精度で、カードの数値を再現するための基準となります。
• FP8 — 約29 GB。RadixArk自身のサービング例が実行するビルドで、FP8 KVキャッシュを使用します。
• NVFP4 — 約23 GB、そしてBlackwell専用。RTX 5090またはDGX Sparkでは、27Bのマルチモーダルモデルが長いコンテキストの余裕も含めて快適に収まるビルドです。
• ドラフター — RadixArk/Qwen3.8-27B-DSpark。SGLang 向けの投機的デコーディング用ドラフトモデルで、SGLang はこのカードが推奨するサービング経路です。リファレンス構成では、4 基の GPU を搭載したノード上でテンソル並列度 1 により 4 つのデータ並列レプリカを実行し、262,144 トークンのコンテキストと FP8 KV キャッシュを使用します。
ハードウェア面では、RadixArkはH200、B200、GB300での単一GPU展開に加え、RTX PRO 6000、RTX 5090、DGX Sparkを挙げています。カード上のどこにもスループットや1秒あたりのトークン数の数値は公開されておらず、これは展開規模を見積もる人にとって実際の欠落です。DSparkに追加のGPUを割く価値があるかどうかを教えてくれるはずの唯一の数値が欠けています。
空き状況と価格に関するご質問
RadixArkがホストするAPIの価格は提示されていません。同社のサイトには他のラボ向けの提供・トレーニングが記載されており、DaisyRoseのエンドポイントは公開されていません。また、モデルカードはSGLang、vLLM、Dockerによるセルフホスティングのみを示しています。第三者による掲載は存在します。公開時点で確認したものの一つは、入力トークン100万件あたり0.15ドル、出力トークン100万件あたり1.88ドルと記載しており、これはベンダーの定価ではなく第三者のホストによる数字であり、市場価格ではなく、あるホストの当初の提示額として扱うべきです。

DaisyRose 27B自体は本稿執筆時点でOrcaRouterのカタログには掲載されておらず、そうであるかのように示唆するつもりもありません。そのベースモデルは次のとおりです。Qwen3.8-27Bはqwen/qwen3.8-27bとして提供されており、これはAlibaba自身によるオープンウェイト版で、入力100万トークンあたり$0.33、出力100万トークンあたり$2.40、コンテキスト長262,144トークン、そしてポストトレーニング版が引き継ぐのと同じビジョンタワーを備えています。このことは本リリースを評価するすべての人にとって重要です。なぜなら、Terminal Benchにおける12ポイントの向上がH200を立ち上げるだけの価値があるかどうかを確かめる最も安価な方法は、まずベースモデルをAPI経由で、同じプロンプトを使って実行し、比較してみることだからです。またこれはフォールバック経路にもなります。セルフホストのDaisyRoseデプロイがタスクの途中でダウンした場合、ベースモデルは同じキーの背後に用意されており、自動のフェイルオーバールールによって、呼び出しを失敗させる代わりにリクエストをそちらへ引き渡すことができます。
何がそれを決着させるのか
今回のリリースには、独立して実行されたものは何もない。DaisyRose 27B には Artificial Analysis のエントリがなく、Terminal Bench リーダーボードにもサードパーティ製ハーネスはなく、RadixArk 自身の比較におけるモデル間の行も、並行して実施された実行ではなく、他者の公表数値に依拠している。モデルカードはこの点すべてについて異例なほど明確であり、それは評価すべき点だが、出所が明示されていても、数値が独立したものになるわけではない。
注目すべき点は2つある。1つは公開ハーネス上でのTerminal Bench 4.1の再現だ。5.6から12.0というのがリリース全体の依拠する主張であり、これはハーネスの違いでも生じ得る種類の跳躍である。もう1つはDeepSWEで、訓練データがエージェント型ソフトウェアエンジニアリングであるにもかかわらず、モデルはInkling 2 Smallに26ポイント差をつけられている。4.1の改善が再現し、DeepSWEの差が埋まらないなら、見えてくるのは、RLのみのポストトレーニングはモデルにコードベースについて推論することを教えずにターミナルの使い方を教えるということだ——そしてそれは、どの単一の見出しスコアよりもはるかに具体的で、より有用な発見である。
この記事で比較したモデル2
この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新
