Karta tytułowa z napisem „DaisyRose 27B”, podtytułem „Osiemnaście dni uczenia ze wzmocnieniem, bez SFT”, nad trzema kartami z napisami „Model bazowy: Qwen3.8-27B”, „Trening: około 63 000 godzin GPU H200” i „Terminal Bench 4.1: od 5,6 do 12,0”, ze stopką „Dane z karty modelu i wpisu na blogu RadixArk, 18 listopada 2026 r.”. Logo OrcaRouter znajduje się w prawym dolnym rogu.
Guides & Insights

DaisyRose 27B: 18 dni RL i bez nadzorowanego dostrajania

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

DaisyRose 27B od RadixArk to wersja Qwen3.8-27B po treningu, zbudowana wyłącznie przy użyciu uczenia ze wzmocnieniem — bez żadnego etapu nadzorowanego dostrajania, bez destylacji od większego nauczyciela — a dwa wiersze benchmarków, które najlepiej opisują, co to daje, znajdują się cztery linijki od siebie na jej własnej karcie modelu. W Terminal Bench 4.1 model przechodzi z 5,6 do 12,0 względem swojej wersji bazowej — ponad dwukrotny wzrost. W DeepSWE v1.1 przechodzi z 42,2 do 46,2, czyli zyskuje cztery punkty. Jeden wiersz mówi, że przepis nauczył model czegoś, czego ten w ogóle nie potrafił; drugi mówi, że większość tego, co już potrafił, robi mniej więcej tak samo dobrze jak wcześniej. RadixArk opublikował wagi i przepis 18 listopada 2026 r. na licencji Apache 2.0, a uczciwa interpretacja tego wydania jest taka, że oba wiersze są prawdziwe jednocześnie.

To premiera i to niedawna — wpis na blogu i karta na Hugging Face mają trzy dni w chwili pisania. Poniżej przedstawiono, co twierdzi RadixArk, które części tego można dziś zweryfikować oraz skąd pochodzą liczby.

Co zostało faktycznie wytrenowane?

Podstawa to Qwen3.8-27B, niezmieniona pod względem architektury: ten sam tokenizer, ten sam szablon czatu, ta sama wieża wizyjna, ten sam kontekst 262 144 tokenów. RadixArk opisuje DaisyRose 27B jako zamiennik typu drop-in dla tej podstawy, co jest twierdzeniem o kompatybilności, a nie o jakości — istniejące prompty, dane wejściowe w postaci obrazów i konfiguracje serwowania przechodzą bez modyfikacji.

• Łączna liczba parametrów — 27,8 mld, z czego 0,46 mld przypada na enkoder wizyjny, a 0,42 mld na głowicę predykcji wielu tokenów.

• Sygnał treningowy — wyłącznie uczenie ze wzmocnieniem. RadixArk podaje, że w tym przebiegu nie zastosowano nadzorowanego dostrajania ani destylacji, co jest nietypowe przy tej skali; większość otwartych procedur post-trainingowych dla 27B zaczyna się od przebiegu SFT i wykorzystuje RL do ich dopracowania.

• Środowisko — około 1200 wyselekcjonowanych zadań agentowych o długim horyzoncie, zbudowanych z użyciem Eigent AI, zaprojektowanych tak, aby łączyć kilka problemów w łańcuch i być odpornymi na reward hacking. Sesje trwały do miliona tokenów, co wyjaśnia resztę konfiguracji: zadanie o takim czasie trwania wymaga piaskownicy, która pozostaje aktywna przez wiele godzin.

• Obliczenia — 18 dni na 144 H200, z podziałem na 128 do inferencji i 16 dla trenera, działających w pełni asynchronicznie, przez około 63 000 godzin GPU. Trenerem jest framework Miles.

• Sandboxy — około 944 000 z nich w trakcie całego działania, ze szczytem na poziomie 1566 jednoczesnych i ponad 99,95% skuteczności tworzenia pod koniec października. RadixArk podaje, że koszt tej infrastruktury jest o około 80% niższy niż opłaty pobierane przez popularne sandboxy chmurowe.

Podział 128/16 to element, na którym warto się na chwilę zatrzymać. W asynchronicznej pętli RL klaster inferencyjny generuje rollouty dla długich sesji agentowych, podczas gdy trener zużywa gotowe trajektorie, więc ten stosunek mówi, ile czasu zajmuje każdy rollout względem kroku gradientowego. To także powód, dla którego argument RadixArk o wydajności jest ujęty w kategoriach czasu zegarowego, a nie FLOPs: przebieg zakończył się w osiemnaście dni, a liczba GPU nie robi wrażenia na tym tle.

Tabela benchmarków, czytana wraz z przypisami

RadixArk raportuje siedem benchmarków względem baseline'u Qwen3.8-27B i podaje dla każdego benchmarku, ile było przebiegów, jaki harness i jakie ustawienia próbkowania. Takie przypisy to więcej, niż robi większość kart premierowych, i właśnie dlatego poniższe liczby można w ogóle porównywać ze sobą. Nadal pochodzą one jednak od dostawcy i nikt spoza RadixArk ich nie odtworzył.

• Terminal Bench 4.1 — 12,0 wobec 5,6 dla wersji bazowej. Osiem przebiegów na zadanie na wewnętrznym harnessie mini-swe-agent z włączonym podsumowywaniem. W przypadku modeli, które nie mają wpisu 4.1 w porównaniu między modelami, podstawia się ich wynik 4.0.

• Terminal Bench 2.1 — 75,5 wobec 73,0. Pięć przebiegów na zadanie, harness Terminus 2. Przyrost jest tu mniejszy niż trzy punkty, co daje odwrotne wrażenie niż w wierszu 4.1: to zestaw 2.1 jest tym, w którym model bazowy był już dobry.

• DeepSWE v1.1 — 46,2 wobec 42,2. Osiem przebiegów, mini-swe-agent.

• SWE Bench Pro v2 — 94,7 wobec 91,3. Pięć przebiegów, mini-swe-agent, wszystkie 642 zadania. Kilka z porównywanych modeli podaje tylko podzbiór Hard, więc ten wiersz nie jest porównaniem jak jabłka z jabłkami między kolumnami.

• HLE, tylko tekst — 34,3 wobec 33,9. Pięć przebiegów na problem, bez narzędzi, oceniane przez GPT-6 Luna.

• IFBench — 82,4 wobec 79,5. Cztery przebiegi na 300 promptach z oficjalnym narzędziem oceniającym allenai, ścisła dokładność na poziomie promptu z wyłączeniem trybu myślenia.

• GPQA Diamond — 90,7 wobec 89,2. Osiem przebiegów na 198 pytaniach, szablon simple-evals, za każdym razem przetasowywana kolejność odpowiedzi.

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.

Dwie właściwości tej tabeli mają większe znaczenie niż jakikolwiek pojedynczy wiersz. Pierwsza polega na tym, że każdy wynik DaisyRose to lepszy z jej przebiegów BF16 i FP8, które według RadixArk różnią się o mniej niż jeden punkt — to niewielka różnica, ale oznacza, że opublikowana liczba to najlepszy z dwóch wyników, a nie średnia. Druga dotyczy próbkowania: temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Wysoki effort i wysoka temperatura to konfiguracja wybrana, by zmaksymalizować wyniki agentowe, a czytelnik uruchamiający z domyślnymi ustawieniami powinien spodziewać się czegoś niższego niż w tabeli.

Tam, gdzie nie jest liderem

Karta modelu porównuje DaisyRose 27B z siedmioma innymi systemami, a wynik nie jest czystym zwycięstwem — i to jest najbardziej użyteczne w tej tabeli, ponieważ porażki są pouczające.

• Terminal Bench 4.1 — MiMo V2.6 Flash uzyskuje 16,1, Inkling 2 Small 13,0, GPT-6 Luna 15,2 — wszystkie powyżej 12,0 DaisyRose. Muse Glimmer-30B uzyskuje 0,5, a Qwen3.6-35B-A3B uzyskuje 0,0 w tym samym zestawie testowym.

• Terminal Bench 2.1 — MiMo V2.6 Flash 87,6 i Inkling 2 Small 81,3 oba prowadzą; Muse Spark Open plasuje się na 76,4.

• DeepSWE v1.1 — Inkling 2 Small 72,1, MiMo V2.6 Flash 67,9 i GPT-6 Luna 66,6 wobec 46,2 DaisyRose. To największa strata na karcie i dotyczy benchmarku, który najbardziej przypomina rozkład danych treningowych.

• HLE tylko tekst — Inkling 2 Small 44,1 i M​use Spark Open 43,9 wobec 34,3.

• GPQA Diamond — Inkling 2 Small 93,0, Beam 1.0 90,6, GPT-6 Luna 90,5, DaisyRose 90,7. Prawie remis na szczycie.

• IFBench — DaisyRose 82.4 to najwyższa wartość na karcie; w żadnym wierszu konkurenta nie ma liczby.

Ten wzorzec mówi, że gęsty model 27,8B wygrywa w podążaniu za instrukcjami i utrzymuje pozycję w nauce na poziomie absolwenckim, a przegrywa ze znacznie większymi modelami rzadkimi w głębokich zadaniach inżynierii oprogramowania. MiMo V2.6 Flash aktywuje 15B z 309B, a Inkling 2 Small aktywuje 17B z 594B, więc porównanie dotyczy gęstego modelu 27B z modelami o dwudziestokrotnie większej liczbie przechowywanych parametrów, z routingiem. Przegrana z nimi nie jest porażką przepisu; to stwierdzenie, jak dużą część luki może zamknąć 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.

Twierdzenie o 37% MFU i co ono w rzeczywistości mierzy

Blog RadixArk zaczyna od wydajności trenowania, a nie od modelu, co jest trafną interpretacją tego, co firma sprzedaje — to dostawca infrastruktury, który obsługiwał wdrożenia SGLang dla innych laboratoriów — ale sprawia, że liczby dotyczące wydajności trudniej wycenić niż pojedynczy wiersz z benchmarku.

Twierdzenie mówi o 37% wykorzystania FLOPs modelu przez jego wewnętrzny backend w porównaniu z 16% dla trenera open-source opartego na Megatronie, opisywanego jako 57% niższy koszt trenowania i 2x przyspieszenie end-to-end. Nie opublikowano konfiguracji dla baseline'u Megatron: brak planu równoległości, długości sekwencji, rozmiaru batcha. Wartość 16% MFU jest wiarygodna dla naiwnej gęstej pętli trenowania, a niewiarygodna dla dobrze dostrojonej, więc uczciwy status „57% niższego kosztu” jest taki, że to porównanie z nienazwaną konfiguracją nieokreślonego trenera, mierzone przez stronę, która zbudowała alternatywę.

Z kolei 63 000 godzin GPU to konkretna liczba, którą można sprawdzić względem czasu zegarowego: 144 GPU przez 18 dni to 62 208 godzin GPU, co się zgadza. Zatem ten przebieg kosztował tyle, ile RadixArk twierdzi, że kosztował w czasie maszynowym. To, co twierdzenie o wydajności dodaje ponadto, jest stwierdzeniem, ile ten czas maszynowy kosztowałby kogoś innego, a ta część pozostaje niezweryfikowana.

Co możesz pobrać i czego potrzeba, aby serwować

RadixArk opublikował trzy precyzje wag, wszystkie na licencji Apache 2.0, wszystkie na Hugging Face, a także model draftujący do dekodowania spekulacyjnego.

• BF16 — około 52 GB. Pełna precyzja i punkt odniesienia do odtworzenia wyników karty.

• FP8 — około 29 GB. Kompilacja uruchamiana przez własny przykład serwowania RadixArk, z pamięcią podręczną KV w FP8.

• NVFP4 — około 23 GB, wyłącznie dla Blackwell. Na RTX 5090 lub DGX Spark to wersja, dzięki której 27B model multimodalny mieści się wygodnie, z zapasem miejsca na długi kontekst.

• Drafter — RadixArk/Qwen3.8-27B-DSpark, model szkicujący do dekodowania spekulatywnego dla SGLang, który jest ścieżką serwowania zalecaną przez kartę. Konfiguracja referencyjna uruchamia cztery repliki równoległości danych na węźle z czterema GPU przy równoległości tensorowej 1, kontekście 262,144 tokenów i pamięci podręcznej KV w FP8.

Pod względem sprzętowym RadixArk wymienia wdrożenia z pojedynczym GPU na H200, B200 i GB300 oraz RTX PRO 6000, RTX 5090 i DGX Spark. Nigdzie na karcie produktu nie podano przepustowości ani liczby tokenów na sekundę, co stanowi realną lukę dla każdego, kto szacuje skalę wdrożenia: brakuje tej jednej liczby, która powiedziałaby, czy DSpark jest wart dodatkowego GPU.

Dostępność i kwestia ceny

Nie ma ceny API hostowanego przez RadixArk, którą można by podać. Strona firmy opisuje udostępnianie i trenowanie na rzecz innych laboratoriów i nie publikuje żadnego endpointu DaisyRose, a karta modelu wskazuje wyłącznie na samodzielne hostowanie przez SGLang, vLLM i Docker. Oferty podmiotów trzecich jednak istnieją: jedna, którą widzieliśmy w momencie publikacji, podaje 0,15 USD za milion tokenów wejściowych i 1,88 USD za milion tokenów wyjściowych, co jest liczbą zewnętrznego dostawcy hostingu, a nie ceną cennikową producenta, i należy ją traktować jako pozycję wyjściową jednego dostawcy, a nie stawkę rynkową.

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.

Sam DaisyRose 27B nie znajduje się w katalogu OrcaRoutera w chwili pisania tego tekstu i nie zamierzamy sugerować inaczej. Jego model bazowy to: Qwen3.8-27B jest udostępniany pod qwen/qwen3.8-27b, własna kompilacja Alibaby z otwartymi wagami, w cenie 0,33 USD za milion tokenów wejściowych i 2,40 USD za milion tokenów wyjściowych, z kontekstem 262 144 tokenów i tą samą wieżą wizyjną, którą zachowuje etap po treningu. Ma to znaczenie dla każdego, kto ocenia to wydanie, ponieważ najtańszym sposobem sprawdzenia, czy wzrost o 12 punktów w Terminal Bench jest wart postawienia H200, jest najpierw przepuszczenie modelu bazowego przez API na tych samych promptach i porównanie wyników. Daje to również ścieżkę awaryjną: jeśli samodzielnie hostowane wdrożenie DaisyRose zawiedzie w trakcie zadania, model bazowy jest dostępny pod tym samym kluczem, a automatyczna failover-reguła może przekazać żądanie do niego zamiast zakończyć wywołanie błędem.

Co by to rozstrzygnęło?

Nic w tym wydaniu nie zostało uruchomione niezależnie. Nie ma wpisu Artificial Analysis dla DaisyRose 27B, nie ma zewnętrznego harnessu na leaderboardzie Terminal Bench, a wiersze porównujące modele w zestawieniu samego RadixArk opierają się na opublikowanych wynikach innych podmiotów, a nie na uruchomieniach przeprowadzonych równolegle. Karta jest niezwykle jednoznaczna w tej kwestii, co jest jej zaletą, ale wyraźne wskazanie pochodzenia nie czyni danej liczby niezależną.

Warto obserwować dwie rzeczy. Pierwsza to reprodukcja Terminal Bench 4.1 na publicznym harnessie: 5,6 do 12,0 to twierdzenie, na którym opiera się całe wydanie, a to skok, który może też powstać w wyniku różnicy w harnessie. Druga to DeepSWE, gdzie model jest 26 punktów za Inkling 2 Small, mimo że dane treningowe dotyczyły agentowej inżynierii oprogramowania. Jeśli wzrost w 4.1 się powtórzy, a luka w DeepSWE się nie zamknie, historia jest taka, że post-training wyłącznie z użyciem RL uczy model korzystania z terminala, nie ucząc go rozumowania o bazie kodu — a to znacznie bardziej konkretne i użyteczne odkrycie niż jakikolwiek pojedynczy wynik z nagłówka.

Porównane w tym artykule2

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie