Een titelkaart met 'DaisyRose 27B', met ondertitel 'Achttien dagen reinforcement learning, geen SFT', boven drie kaarten met 'Basismodel: Qwen3.8-27B', 'Training: ongeveer 63.000 H200 GPU-uren' en 'Terminal Bench 4.1: 5,6 tot 12,0', met een voettekst met 'Cijfers uit de modelkaart en blogpost van RadixArk, 18 november 2026.' Het OrcaRouter-logo staat rechtsonder.
Guides & Insights

DaisyRose 27B: 18 dagen RL en geen supervised fine-tuning

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

DaisyRose 27B van RadixArk is een post-train van Qwen3.8-27B, gebouwd met reinforcement learning en niets anders — geen supervised fine-tuningronde, geen distillatie van een groter teacher-model — en de twee benchmarkregels die het beste beschrijven wat dat oplevert, staan vier regels uit elkaar op de eigen modelkaart. Op Terminal Bench 4.1 gaat het model van 5,6 naar 12,0 ten opzichte van zijn basis, meer dan een verdubbeling. Op DeepSWE v1.1 gaat het van 42,2 naar 46,2, een winst van vier punten. De ene regel zegt dat het recept het model iets heeft geleerd dat het helemaal niet kon; de andere zegt dat het meeste van wat het al kon, het ongeveer net zo goed doet als voorheen. RadixArk publiceerde de gewichten en het recept op 18 november 2026 onder Apache 2.0, en de eerlijke lezing van de release is dat beide regels tegelijk waar zijn.

Dit is een lancering, en een recente — de blogpost en de Hugging Face-kaart zijn op het moment van schrijven drie dagen oud. Wat volgt is wat RadixArk beweert, welke delen ervan vandaag controleerbaar zijn, en waar de cijfers vandaan komen.

Wat er daadwerkelijk is getraind

De basis is Qwen3.8-27B, ongewijzigd in architectuur: dezelfde tokenizer, dezelfde chat-template, dezelfde vision tower, dezelfde context van 262.144 tokens. RadixArk beschrijft DaisyRose 27B als een directe vervanging voor die basis, wat een claim is over compatibiliteit en niet over kwaliteit — bestaande prompts, afbeeldingsinvoer en serverconfiguraties blijven zonder wijziging werken.

• Totaal aantal parameters — 27,8B, waarvan 0,46B de vision-encoder en 0,42B een multi-token-prediction-head.

• Trainingssignaal — uitsluitend reinforcement. RadixArk stelt dat de run geen supervised fine-tuning en geen distillatie gebruikte, wat ongewoon is voor deze omvang; de meeste open post-trainingen op 27B beginnen met een SFT-ronde en gebruiken RL om die aan te scherpen.

• Omgeving — ongeveer 1.200 samengestelde langdurige agenttaken, gebouwd met Eigent AI, ontworpen om meerdere problemen aan elkaar te koppelen en bestand te zijn tegen reward hacking. Sessies liepen op tot één miljoen tokens, het aantal dat de rest van de opzet verklaart: een taak die zo lang duurt, heeft een sandbox nodig die urenlang blijft draaien.

• Rekenkracht — 18 dagen op 144 H200's, opgesplitst in 128 voor inferentie en 16 voor de trainer, volledig asynchroon draaiend, gedurende ongeveer 63.000 GPU-uren. De trainer is het Miles-framework.

• Sandboxes — ongeveer 944.000 ervan gedurende de run, met een piek van 1.566 gelijktijdig actieve, en meer dan 99,95% succes bij het aanmaken eind oktober. RadixArk schat die infrastructuur op ongeveer 80% onder wat populaire cloudsandboxes volgens het bedrijf rekenen.

De 128/16-verdeling is het onderdeel waar je even bij stil zou moeten staan. In een asynchrone RL-lus genereert de inferentievloot rollouts voor lange agentsessies terwijl de trainer voltooide trajectorieën verbruikt, dus de verhouding zegt iets over hoe lang elke rollout duurt ten opzichte van een gradiëntstap. Het is ook de reden waarom RadixArks efficiëntieargument in wall-clocktijd in plaats van in FLOPs wordt gegoten: de run was in achttien dagen klaar, en het aantal GPU's valt daarbij in het niet.

De benchmarktabel, gelezen met de bijbehorende voetnoten

RadixArk rapporteert zeven benchmarks ten opzichte van de Qwen3.8-27B-baseline en vermeldt per benchmark hoeveel runs, welke harness en welke samplinginstellingen. Die toelichting in voetnoten gaat verder dan de meeste launch cards doen, en is de reden dat de onderstaande cijfers überhaupt met elkaar vergeleken kunnen worden. Ze zijn nog steeds door de leverancier uitgevoerd en niemand buiten RadixArk heeft ze gereproduceerd.

• Terminal Bench 4.1 — 12,0 tegenover 5,6 voor de basis. Acht runs per taak op een interne mini-swe-agent-harness met samenvatting ingeschakeld. Bij modellen zonder 4.1-vermelding in de cross-modelvergelijking wordt hun 4.0-score gebruikt.

• Terminal Bench 2.1 — 75,5 tegen 73,0. Vijf runs per taak, Terminus 2-harness. De winst hier is minder dan drie punten, wat het tegenovergestelde beeld geeft van de 4.1-rij: de 2.1-suite is degene waarin het basismodel al goed was.

• DeepSWE v1.1 — 46,2 tegen 42,2. Acht runs, mini-swe-agent.

• SWE Bench Pro v2 — 94,7 tegen 91,3. Vijf runs, mini-swe-agent, alle 642 taken. Verschillende van de vergeleken modellen rapporteren alleen de Hard-subset, dus deze rij is niet appels met appels te vergelijken tussen de kolommen.

• HLE, alleen tekst — 34,3 tegen 33,9. Vijf runs per probleem, geen hulpmiddelen, beoordeeld door GPT-6 Luna.

• IFBench — 82,4 tegenover 79,5. Vier runs op 300 prompts met de officiële allenai-scorer, strikte nauwkeurigheid op promptniveau exclusief thinking.

• GPQA Diamond — 90,7 tegen 89,2. Acht runs op 198 vragen, simple-evals-sjabloon, antwoordvolgorde telkens opnieuw geschud.

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.

Twee eigenschappen van die tabel wegen zwaarder dan welke afzonderlijke rij dan ook. De eerste is dat elke DaisyRose-score de betere van de BF16- en FP8-runs is, die volgens RadixArk minder dan één punt verschillen — een kleine marge, maar het betekent dat het gepubliceerde cijfer een beste-van-twee is in plaats van een gemiddelde. De tweede is sampling: temperatuur 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Hoge effort en een hoge temperatuur vormen een configuratie die is gekozen om agentische scores te maximaliseren, en een lezer die met standaardinstellingen draait, moet iets lager verwachten dan de tabel.

Waar het niet de leider is

De modelkaart vergelijkt DaisyRose 27B met zeven andere systemen, en het resultaat is geen volledige overwinning — en dat is juist het nuttigste aan de tabel, omdat de verliezen informatief zijn.

• Terminal Bench 4.1 — MiMo V2.6 Flash scoort 16,1, Inkling 2 Small 13,0, GPT-6 Luna 15,2, allemaal boven DaisyRose's 12,0. Muse Glimmer-30B scoort 0,5 en Qwen3.6-35B-A3B scoort 0,0 op dezelfde harness.

• Terminal Bench 2.1 — MiMo V2.6 Flash 87.6 en Inkling 2 Small 81.3 voeren beide de lijst aan; M​use Spark Open staat op 76.4.

• DeepSWE v1.1 — Inkling 2 Small 72.1, MiMo V2.6 Flash 67.9 en GPT-6 Luna 66.6 tegen DaisyRose's 46.2. Dit is het grootste verlies op de kaart, en het valt op de benchmark die het meest lijkt op de trainingsdistributie.

• HLE alleen tekst — Inkling 2 Small 44.1 en M​use Spark Open 43.9, tegen 34.3.

• GPQA Diamond — Inkling 2 Small 93,0, Beam 1.0 90,6, GPT-6 Luna 90,5, DaisyRose 90,7. Een bijna-gelijkspel aan de top.

• IFBench — DaisyRose 82.4 is het hoogste cijfer op de kaart; geen enkele concurrentrij heeft een getal.

Wat dat patroon zegt, is dat het 27,8B-dense model wint op het volgen van instructies en standhoudt bij wetenschap op gevorderd niveau, maar verliest van veel grotere sparse modellen bij de diepgaande software-engineeringtaken. MiMo V2.6 Flash activeert 15B van 309B en Inkling 2 Small activeert 17B van 594B, dus de vergelijking is een 27B-dense model tegen modellen met twintig keer zoveel opgeslagen parameters, met routing. Verliezen van die modellen is geen falen van het recept; het zegt iets over hoeveel van de kloof een 27B kan dichten.

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.

De claim van 37% MFU en wat deze meet

De blog van RadixArk opent met trainingsefficiëntie in plaats van met het model, wat een redelijke lezing is van wat het bedrijf verkoopt — het is een infrastructuurbedrijf dat SGLang-implementaties voor andere labs heeft verzorgd — maar het maakt de efficiëntiecijfers lastiger op waarde te schatten dan een benchmarkregel.

De bewering is 37% benutting van model-FLOPs voor zijn interne backend tegenover 16% voor een op Megatron gebaseerde open-source trainer, beschreven als 57% lagere trainingskosten en een 2x end-to-end versnelling. Er is geen gepubliceerde configuratie voor de Megatron-baseline: geen parallellismeplan, geen sequentielengte, geen batchgrootte. Een MFU-cijfer van 16% is plausibel voor een naïeve dense trainingslus en onplausibel voor een goed afgestelde, dus de eerlijke status van "57% lagere kosten" is dat het een vergelijking is met een naamloze configuratie van een niet-gespecificeerde trainer, gemeten door de partij die het alternatief heeft gebouwd.

De 63.000 GPU-uren daarentegen is een concreet cijfer en dat kan worden gecontroleerd aan de hand van de kloktijd: 144 GPU's gedurende 18 dagen is 62.208 GPU-uren, wat klopt. De run kostte dus wat RadixArk zegt dat hij aan machinetijd heeft gekost. Wat de efficiëntieclaim daarbovenop toevoegt, is een uitspraak over wat die machinetijd iemand anders zou hebben gekost, en dat deel is niet geverifieerd.

Wat je kunt downloaden, en wat er nodig is om te serveren

RadixArk heeft drie precisies van de gewichten gepubliceerd, allemaal onder Apache 2.0, allemaal op Hugging Face, plus een draftmodel voor speculatief decoderen.

• BF16 — ongeveer 52 GB. Volledige precisie, en de referentie voor het reproduceren van de cijfers van de kaart.

• FP8 — ongeveer 29 GB. De build die het eigen servingvoorbeeld van RadixArk draait, met een FP8 KV-cache.

• NVFP4 — ongeveer 23 GB, en alleen voor Blackwell. Op een RTX 5090 of een DGX Spark is dit de build die een multimodaal model van 27B comfortabel laat passen, met ruimte voor een lange context.

• Drafter — RadixArk/Qwen3.8-27B-DSpark, een conceptmodel voor speculatief decoderen voor SGLang, het servingpad dat de kaart aanbeveelt. De referentieconfiguratie draait vier dataparallelle replica's op een node met vier GPU's bij tensorparallelisme 1, een context van 262.144 tokens en een FP8-KV-cache.

Qua hardware vermeldt RadixArk single-GPU-implementatie op H200, B200 en GB300, plus RTX PRO 6000, RTX 5090 en DGX Spark. Nergens op de kaart wordt een cijfer voor doorvoer of tokens per seconde gepubliceerd, wat een echt hiaat is voor iedereen die een implementatie moet dimensioneren: het ene getal dat je zou vertellen of DSpark de extra GPU waard is, ontbreekt.

Beschikbaarheid, en de prijskwestie

Er is geen prijs voor een door RadixArk gehoste API om te noemen. De site van het bedrijf beschrijft dienstverlening en training voor andere labs en publiceert geen DaisyRose-endpoint, en de modelkaart verwijst alleen naar zelfhosting via SGLang, vLLM en Docker. Er bestaan wel aanbiedingen van derden: een die we bij publicatie zagen noemt $0,15 per miljoen inputtokens en $1,88 per miljoen outputtokens, wat een cijfer van een derde host is en niet een lijstprijs van de leverancier, en dat moet worden beschouwd als de openingspositie van één host in plaats van de marktprijs.

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 zelf staat op het moment van schrijven niet in de catalogus van OrcaRouter, en we zullen niet suggereren dat dit wel zo is. Het basismodel is: Qwen3.8-27B wordt aangeboden onder qwen/qwen3.8-27b, Alibaba's eigen open-weight-build, tegen $0,33 per miljoen inputtokens en $2,40 per miljoen outputtokens, met een context van 262.144 tokens en dezelfde visiontoren die de post-train behoudt. Dat is belangrijk voor iedereen die deze release evalueert, want de goedkoopste manier om te testen of een winst van 12 punten op Terminal Bench het opzetten van een H200 waard is, is om eerst het basismodel via een API te draaien, met dezelfde prompts, en te vergelijken. Het biedt ook een terugvalpad: als een zelfgehoste DaisyRose-deployment midden in een taak uitvalt, zit het basismodel achter dezelfde sleutel, en een automatische failoverregel kan het verzoek eraan overdragen in plaats van de oproep te laten mislukken.

Wat zou het beslechten?

Niets in deze release is onafhankelijk uitgevoerd. Er is geen Artificial Analysis-vermelding voor DaisyRose 27B, geen externe harness op de Terminal Bench-ranglijst, en de rijen waarin modellen onderling worden vergeleken in de eigen vergelijking van RadixArk zijn gebaseerd op door andere partijen gepubliceerde cijfers in plaats van op naast elkaar uitgevoerde runs. De modelkaart is hierover ongewoon expliciet, wat in zijn voordeel is, maar een expliciete herkomst maakt een getal niet onafhankelijk.

Twee dingen zijn het volgen waard. Het eerste is een reproductie van Terminal Bench 4.1 op de publieke harness: 5,6 naar 12,0 is de bewering waarop de hele release rust, en het is het soort sprong dat een verschil in harness ook kan veroorzaken. Het tweede is DeepSWE, waar het model 26 punten achterloopt op Inkling 2 Small, ondanks dat de trainingsdata agentische software-engineering is. Als de winst van 4.1 wordt gereproduceerd en de kloof bij DeepSWE niet wordt gedicht, dan is het verhaal dat post-training met alleen RL een model leert een terminal te gebruiken zonder het te leren redeneren over een codebase — en dat is een veel specifiekere, en nuttigere, bevinding dan welke afzonderlijke headline-score dan ook.

Vergeleken in dit artikel1

Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt