Uma cartela de título com o texto 'DaisyRose 27B', com o subtítulo 'Dezoito dias de aprendizado por reforço, sem SFT', acima de três cartões com os textos 'Modelo base: Qwen3.8-27B', 'Treinamento: cerca de 63.000 horas de GPU H200' e 'Terminal Bench 4.1: 5,6 a 12,0', com um rodapé com o texto 'Dados do model card e do post do blog da RadixArk, 18 de novembro de 2026.' O logotipo da OrcaRouter fica no canto inferior direito.
Guides & Insights

DaisyRose 27B: 18 dias de RL e sem ajuste fino supervisionado

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

A DaisyRose 27B, da RadixArk, é um pós-treino do Qwen3.8-27B construído com aprendizado por reforço e nada mais — sem nenhuma passada de ajuste fino supervisionado, sem destilação de um professor maior — e as duas linhas de benchmark que melhor descrevem o que isso proporciona ficam separadas por quatro linhas no próprio cartão do modelo. No Terminal Bench 4.1, o modelo passa de 5,6 para 12,0 em relação à sua base, mais que o dobro. No DeepSWE v1.1, passa de 42,2 para 46,2, um ganho de quatro pontos. Uma linha diz que a receita ensinou ao modelo algo que ele não conseguia fazer de forma alguma; a outra diz que, na maior parte do que ele já conseguia fazer, ele se sai mais ou menos tão bem quanto antes. A RadixArk publicou os pesos e a receita em 18 de novembro de 2026 sob a Apache 2.0, e a leitura honesta do lançamento é que ambas as linhas são verdadeiras ao mesmo tempo.

Este é um lançamento, e recente — o post do blog e o card do Hugging Face têm três dias no momento em que escrevo. O que segue é o que a RadixArk afirma, quais partes disso podem ser verificadas hoje e de onde vêm os números.

O que foi realmente treinado

A base é o Qwen3.8-27B, inalterado em arquitetura: mesmo tokenizador, mesmo template de chat, mesma torre de visão, mesmo contexto de 262.144 tokens. A RadixArk descreve o DaisyRose 27B como um substituto direto para essa base, o que é uma afirmação sobre compatibilidade, e não sobre qualidade — prompts, entradas de imagem e configurações de serviço existentes são mantidos sem modificação.

• Parâmetros totais — 27.8B, dos quais 0.46B correspondem ao codificador visual e 0.42B a uma cabeça de previsão de múltiplos tokens.

• Sinal de treinamento — apenas reforço. A RadixArk afirma que a execução não utilizou ajuste fino supervisionado nem destilação, o que é incomum nesse tamanho; a maioria dos pós-treinamentos abertos em 27B parte de uma etapa de SFT e usa RL para aprimorá-lo.

• Ambiente — aproximadamente 1.200 tarefas curadas de agentes de horizonte longo, criadas com Eigent AI, concebidas para encadear vários problemas e resistir a reward hacking. As sessões chegaram a até um milhão de tokens, que é o número que explica o resto da configuração: uma tarefa tão longa precisa de uma sandbox que permaneça ativa durante horas.

• Computação — 18 dias em 144 H200s, divididos em 128 para inferência e 16 para o treinador, executando de forma totalmente assíncrona, por cerca de 63.000 horas de GPU. O treinador é o framework Miles.

• Sandboxes — cerca de 944.000 delas ao longo da execução, com pico de 1.566 simultâneas, e mais de 99,95% de sucesso na criação no final de outubro. A RadixArk afirma que essa infraestrutura custa cerca de 80% menos do que ela diz que as sandboxes de nuvem populares cobram.

A divisão 128/16 é a parte que merece uma pausa. Em um loop de RL assíncrono, a frota de inferência gera rollouts para sessões longas de agentes enquanto o treinador consome trajetórias concluídas, então a proporção é uma declaração sobre quanto tempo cada rollout leva em relação a um passo de gradiente. É também por isso que o argumento de eficiência da RadixArk é enquadrado em tempo de parede, e não em FLOPs: a execução terminou em dezoito dias, e o número de GPUs é pouco notável diante disso.

A tabela de benchmark, lida em conjunto com as respetivas notas de rodapé.

A RadixArk reporta sete benchmarks em comparação com a linha de base Qwen3.8-27B e informa, por benchmark, quantas execuções, qual harness e quais configurações de amostragem. Esse detalhamento em notas de rodapé vai além do que a maioria dos cartões de lançamento faz, e é o motivo pelo qual os números abaixo podem ser comparados entre si. Ainda assim, são executados pelo fornecedor e ninguém fora da RadixArk os reproduziu.

• Terminal Bench 4.1 — 12,0 contra 5,6 do modelo base. Oito execuções por tarefa em um harness interno mini-swe-agent com sumarização ativada. Modelos sem entrada para a versão 4.1 na comparação entre modelos têm a pontuação da versão 4.0 substituída.

• Terminal Bench 2.1 — 75,5 contra 73,0. Cinco execuções por tarefa, harness Terminus 2. O ganho aqui fica abaixo de três pontos, o que dá a impressão oposta à da linha 4.1: a suíte 2.1 é aquela em que o modelo base já era bom.

• DeepSWE v1.1 — 46,2 contra 42,2. Oito execuções, mini-swe-agent.

• SWE Bench Pro v2 — 94,7 contra 91,3. Cinco execuções, mini-swe-agent, todas as 642 tarefas. Vários dos modelos comparados reportam apenas o subconjunto Hard, portanto esta linha não permite uma comparação direta entre as colunas.

• HLE, somente texto — 34,3 contra 33,9. Cinco execuções por problema, sem ferramentas, avaliado pelo GPT-6 Luna.

• IFBench — 82,4 contra 79,5. Quatro execuções em 300 prompts com o avaliador oficial da allenai, acurácia estrita no nível do prompt, excluindo o raciocínio.

• GPQA Diamond — 90,7 contra 89,2. Oito execuções em 198 perguntas, modelo simple-evals, ordem das respostas reembaralhada a cada vez.

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.

Duas propriedades dessa tabela importam mais do que qualquer linha individual. A primeira é que cada pontuação DaisyRose é a melhor entre suas execuções BF16 e FP8, que, segundo a RadixArk, diferem em menos de um ponto — uma margem pequena, mas significa que o número publicado é o melhor de dois, e não uma média. A segunda é a amostragem: temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Alto esforço e alta temperatura são uma configuração escolhida para maximizar pontuações agênticas, e um leitor que use as configurações padrão deve esperar algo inferior ao da tabela.

Onde não é o líder

O cartão do modelo compara o DaisyRose 27B com sete outros sistemas, e o resultado não é um domínio absoluto — o que é a coisa mais útil da tabela, porque as perdas são informativas.

• Terminal Bench 4.1 — MiMo V2.6 Flash pontua 16,1, Inkling 2 Small 13,0, GPT-6 Luna 15,2, todos acima dos 12,0 do DaisyRose. Muse Glimmer-30B pontua 0,5 e Qwen3.6-35B-A3B pontua 0,0 no mesmo harness.

• Terminal Bench 2.1 — MiMo V2.6 Flash 87.6 e Inkling 2 Small 81.3 ambos lideram; M​use Spark Open está em 76.4.

• DeepSWE v1.1 — Inkling 2 Small 72.1, MiMo V2.6 Flash 67.9 e GPT-6 Luna 66.6 contra os 46.2 da DaisyRose. Esta é a maior perda do cartão, e recai sobre o benchmark que mais se aproxima da distribuição de treinamento.

• HLE somente texto — Inkling 2 Small 44,1 e M​use Spark Open 43,9, contra 34,3.

• GPQA Diamond — Inkling 2 Small 93,0, Beam 1.0 90,6, GPT-6 Luna 90,5, DaisyRose 90,7. Um quase empate no topo.

• IFBench — DaisyRose 82.4 é o valor mais alto do cartão; nenhuma linha de concorrente tem um número.

O que esse padrão diz é que o modelo denso de 27,8B vence em seguimento de instruções e se mantém firme em ciências de nível de pós-graduação, e perde para modelos esparsos muito maiores nas tarefas profundas de engenharia de software. O MiMo V2.6 Flash ativa 15B de 309B e o Inkling 2 Small ativa 17B de 594B, então a comparação é entre um modelo denso de 27B e modelos com vinte vezes os parâmetros armazenados, com roteamento. Perder para esses modelos não é uma falha da receita; é uma afirmação sobre quanto da lacuna um modelo de 27B consegue fechar.

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.

A alegação de 37% de MFU e o que ela está medindo

O blog da RadixArk abre com a eficiência de treinamento, e não com o modelo, o que é uma leitura justa do que a empresa vende — é uma empresa de infraestrutura que tem atendido implantações do SGLang para outros laboratórios —, mas isso torna os números de eficiência mais difíceis de valorizar do que uma linha de benchmark.

A afirmação é de 37% de utilização de FLOPs do modelo para seu backend interno, contra 16% para um treinador open-source baseado no Megatron, descrito como custo de treinamento 57% menor e speedup ponta a ponta de 2x. Não há configuração publicada para a baseline Megatron: nenhum plano de paralelismo, nenhum comprimento de sequência, nenhum tamanho de batch. Um valor de 16% de MFU é plausível para um loop de treinamento denso ingênuo e implausível para um bem ajustado, então o status honesto de "57% menos custo" é que se trata de uma comparação com uma configuração não nomeada de um treinador não especificado, medida pela parte que construiu a alternativa.

Em contrapartida, as 63.000 horas de GPU são um número concreto e podem ser verificadas em relação ao tempo real decorrido: 144 GPUs ao longo de 18 dias equivalem a 62.208 horas de GPU, o que confere. Portanto, a execução custou o que a RadixArk diz que custou em tempo de máquina. O que a alegação de eficiência acrescenta é uma afirmação sobre quanto esse tempo de máquina teria custado a outra pessoa, e essa parte não foi verificada.

O que você pode baixar e o que é necessário para servir

A RadixArk publicou três precisões dos pesos, todas Apache 2.0, todas no Hugging Face, além de um drafter de decodificação especulativa.

• BF16 — cerca de 52 GB. Precisão total, e a referência para reproduzir os números da placa.

• FP8 — cerca de 29 GB. A build que o próprio exemplo de serving da RadixArk executa, com um cache KV em FP8.

• NVFP4 — cerca de 23 GB, e apenas para Blackwell. Em uma RTX 5090 ou um DGX Spark, esta é a versão que faz um modelo multimodal de 27B caber confortavelmente com espaço para um contexto longo.

• Drafter — RadixArk/Qwen3.8-27B-DSpark, um modelo draft de decodificação especulativa para o SGLang, que é o caminho de serving recomendado pela placa. A configuração de referência executa quatro réplicas de paralelismo de dados em um nó de quatro GPUs com paralelismo de tensor 1, um contexto de 262.144 tokens e um cache KV FP8.

Em termos de hardware, a RadixArk lista implantação com uma única GPU no H200, B200 e GB300, além de RTX PRO 6000, RTX 5090 e DGX Spark. Nenhum número de throughput ou de tokens por segundo é publicado em lugar algum na ficha do produto, o que é uma lacuna real para quem está dimensionando uma implantação: falta o único número que diria se o DSpark vale a GPU adicional.

Disponibilidade e a questão do preço

Não há um preço de API hospedada pela RadixArk para citar. O site da empresa descreve serving e treinamento para outros laboratórios e não publica nenhum endpoint DaisyRose, e o model card aponta apenas para auto-hospedagem via SGLang, vLLM e Docker. Existem listagens de terceiros: uma que vimos no momento da publicação cita US$ 0,15 por milhão de tokens de entrada e US$ 1,88 por milhão de tokens de saída, o que é um número de um provedor terceirizado, e não um preço de tabela do fornecedor, e deve ser tratado como a posição inicial de um provedor, e não como o preço de mercado.

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.

A própria DaisyRose 27B não está no catálogo da OrcaRouter no momento em que escrevemos, e não vamos insinuar o contrário. Seu modelo base é: o Qwen3.8-27B é servido em qwen/qwen3.8-27b, o build open-weight da própria Alibaba, a $0,33 por milhão de tokens de entrada e $2,40 por milhão de saída, com contexto de 262.144 tokens e a mesma torre de visão que o pós-treino mantém. Isso importa para quem avalia este lançamento, porque a maneira mais barata de testar se um ganho de 12 pontos no Terminal Bench vale a pena subir um H200 é executar o modelo base por uma API primeiro, com os mesmos prompts, e comparar. Também oferece um caminho de fallback: se uma implantação auto-hospedada da DaisyRose falhar no meio de uma tarefa, o modelo base fica atrás da mesma chave, e uma regra automática de failover pode encaminhar a solicitação para ele em vez de falhar a chamada.

O que resolveria isso

Nada nesta versão foi executado de forma independente. Não há entrada no Artificial Analysis para o DaisyRose 27B, nenhum harness de terceiros no leaderboard do Terminal Bench, e as linhas de comparação entre modelos na própria comparação da RadixArk baseiam-se em números publicados por outras partes, em vez de execuções feitas lado a lado. O card é incomumente explícito sobre tudo isso, o que lhe dá crédito, mas proveniência explícita não torna um número independente.

Duas coisas merecem atenção. A primeira é uma reprodução do Terminal Bench 4.1 no harness público: de 5,6 a 12,0 é a alegação na qual todo o lançamento se baseia, e é o tipo de salto que uma diferença de harness também pode produzir. A segunda é o DeepSWE, em que o modelo fica 26 pontos atrás do Inkling 2 Small, apesar de os dados de treinamento serem de engenharia de software agêntica. Se o ganho de 4.1 se reproduzir e a lacuna no DeepSWE não se fechar, a história é que o pós-treinamento apenas com RL ensina um modelo a usar um terminal sem ensiná-lo a raciocinar sobre uma base de código — e essa é uma descoberta muito mais específica, e mais útil, do que qualquer pontuação de manchete isolada.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente