Титульная карточка с надписью «DaisyRose 27B» и подзаголовком «Восемнадцать дней обучения с подкреплением, без SFT», над тремя карточками с надписями «Базовая модель: Qwen3.8-27B», «Обучение: около 63 000 GPU-часов H200» и «Terminal Bench 4.1: с 5,6 до 12,0», с нижним колонтитулом «Цифры из карточки модели и блога RadixArk, 18 ноября 2026 г.» Логотип OrcaRouter расположен в правом нижнем углу.
Guides & Insights

DaisyRose 27B: 18 дней RL и без обучения с учителем

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

DaisyRose 27B от RadixArk — это пост-тренировка Qwen3.8-27B, построенная с помощью обучения с подкреплением и ничего больше: без этапа обучения с учителем, без дистилляции от более крупного учителя, — и две строки с результатами бенчмарков, которые лучше всего описывают, что это даёт, расположены на расстоянии четырёх строк друг от друга в её собственной карточке модели. На Terminal Bench 4.1 модель поднимается с 5,6 до 12,0 по сравнению со своей базовой версией — более чем вдвое. На DeepSWE v1.1 она поднимается с 42,2 до 46,2 — прирост на четыре пункта. Одна строка говорит, что рецепт научил модель тому, чего она вообще не умела делать; другая — что большую часть того, что она уже умела, она делает примерно так же хорошо, как раньше. RadixArk опубликовала веса и рецепт 18 ноября 2026 года под Apache 2.0, и честное прочтение релиза состоит в том, что обе строки верны одновременно.

Это запуск, и притом недавний — на момент написания посту в блоге и карточке на Hugging Face всего три дня. Далее — что утверждает RadixArk, какие части этого можно проверить сегодня и откуда берутся числа.

Что на самом деле было обучено

Базовая модель — Qwen3.8-27B, без изменений в архитектуре: тот же токенизатор, тот же шаблон чата, тот же модуль зрения, тот же контекст в 262 144 токена. RadixArk описывает DaisyRose 27B как замену этой базовой модели, не требующую внесения изменений; это утверждение о совместимости, а не о качестве — существующие промпты, входные изображения и конфигурации сервинга переносятся без изменений.

• Всего параметров — 27,8 млрд, из которых 0,46 млрд — визуальный энкодер, а 0,42 млрд — голова многотокенного предсказания.

• Обучающий сигнал — только подкрепление. RadixArk утверждает, что в этом прогоне не использовались ни обучение с учителем, ни дистилляция, что необычно для такого размера; большинство открытых посттренировочных прогонов для 27B начинаются с этапа SFT и используют RL, чтобы его отточить.

• Окружение — около 1200 отобранных задач для агентов с длинным горизонтом, созданных с помощью Eigent AI и построенных так, чтобы связывать несколько проблем в цепочку и противостоять взлому механизма вознаграждения. Сессии доходили до миллиона токенов, и именно это число объясняет остальную часть конфигурации: задача такой длины требует песочницы, которая остаётся работоспособной часами.

• Вычисления — 18 дней на 144 H200, разделённых на 128 для инференса и 16 для тренера, работая полностью асинхронно, примерно 63 000 GPU-часов. Тренер — это фреймворк Miles.

• Песочницы — около 944 000 за весь период работы, с пиком в 1 566 одновременных и более чем 99,95% успешных созданий в конце октября. RadixArk оценивает эту инфраструктуру примерно на 80% ниже того, что, по его словам, взимают популярные облачные песочницы.

Разделение 128/16 — это то, на чём стоит остановиться подробнее. В асинхронном цикле RL флот инференса генерирует роллауты для длинных агентных сессий, пока тренер потребляет завершённые траектории, поэтому это соотношение говорит о том, сколько времени занимает каждый роллаут относительно шага градиента. Именно поэтому RadixArk описывает свою эффективность в реальном времени, а не во FLOPs: прогон завершился за восемнадцать дней, и количество GPU на этом фоне выглядит непримечательно.

Таблица контрольных показателей с учётом сносок к ней

RadixArk сообщает о семи бенчмарках в сравнении с базовой моделью Qwen3.8-27B и для каждого бенчмарка указывает, сколько было запусков, какой использовался harness и какие настройки сэмплирования. Такая сноска — больше, чем делают большинство карточек запуска, и именно благодаря ей приведённые ниже числа вообще можно сравнивать между собой. Они всё ещё получены самим вендором, и никто за пределами RadixArk их не воспроизводил.

• Terminal Bench 4.1 — 12,0 против 5,6 у базовой модели. Восемь прогонов на задачу на внутреннем стенде mini-swe-agent с включённым суммаризированием. Для моделей, у которых нет записи 4.1 в межмодельном сравнении, подставляется их оценка 4.0.

• Terminal Bench 2.1 — 75,5 против 73,0. Пять прогонов на задачу, harness Terminus 2. Прирост здесь меньше трёх пунктов, что даёт впечатление, противоположное строке 4.1: именно в наборе 2.1 базовая модель уже была сильна.

• DeepSWE v1.1 — 46,2 против 42,2. Восемь прогонов, mini-swe-agent.

• SWE Bench Pro v2 — 94,7 против 91,3. Пять прогонов, mini-swe-agent, все 642 задачи. Несколько из сравниваемых моделей сообщают результаты только для подмножества Hard, поэтому эта строка не обеспечивает сопоставимость между столбцами.

• HLE, только текст — 34,3 против 33,9. Пять прогонов на задачу, без инструментов, оценка — GPT-6 Luna.

• IFBench — 82,4 против 79,5. Четыре прогона на 300 промптах с официальным оценщиком allenai, строгая точность на уровне промптов без учёта рассуждений.

• GPQA Diamond — 90,7 против 89,2. Восемь прогонов на 198 вопросах, шаблон simple-evals, порядок ответов каждый раз перемешивался.

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.

Два свойства этой таблицы важнее любой отдельной строки. Первое — каждый показатель DaisyRose взят из лучшего результата между его запусками BF16 и FP8, которые, по словам RadixArk, различаются менее чем на один пункт; это небольшой разрыв, но он означает, что опубликованное значение — лучшее из двух, а не среднее. Второе — параметры сэмплирования: temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Высокий effort и высокая temperature — это конфигурация, выбранная для максимизации agentic-оценок, и читателю, запускающему модель с настройками по умолчанию, следует ожидать результатов ниже, чем в таблице.

Где это не является лидером

В карточке модели DaisyRose 27B сравнивается с семью другими системами, и результат не является безоговорочной победой — а это самое полезное в таблице, потому что поражения информативны.

• Terminal Bench 4.1 — MiMo V2.6 Flash набирает 16,1, Inkling 2 Small — 13,0, GPT-6 Luna — 15,2, и все они выше показателя DaisyRose 12,0. Muse Glimmer-30B набирает 0,5, а Qwen3.6-35B-A3B — 0,0 на том же стенде.

• Terminal Bench 2.1 — MiMo V2.6 Flash 87.6 и Inkling 2 Small 81.3 оба лидируют; M​use Spark Open занимает 76.4.

• DeepSWE v1.1 — Inkling 2 Small 72,1, MiMo V2.6 Flash 67,9 и GPT-6 Luna 66,6 против 46,2 у DaisyRose. Это самое крупное поражение в карточке, и оно приходится на бенчмарк, который ближе всего к распределению обучающих данных.

• HLE только текст — Inkling 2 Small 44.1 и M​use Spark Open 43.9 против 34.3.

• GPQA Diamond — Inkling 2 Small 93.0, Beam 1.0 90.6, GPT-6 Luna 90.5, DaisyRose 90.7. Почти ничья на вершине.

• IFBench — DaisyRose 82.4 — самый высокий показатель в карточке; ни в одной строке конкурента нет числа.

Эта закономерность говорит о том, что плотная модель на 27.8B выигрывает в следовании инструкциям и удерживает позиции в научных задачах уровня магистратуры, но уступает гораздо более крупным разреженным моделям в глубоких задачах программной инженерии. MiMo V2.6 Flash активирует 15B из 309B, а Inkling 2 Small — 17B из 594B, так что сравнение идёт между плотной 27B и моделями с двадцатикратно большим объёмом хранимых параметров, использующими маршрутизацию. Проигрыш им — не провал рецепта; это говорит о том, какую часть разрыва способна закрыть 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.

Утверждение о 37% MFU и что оно измеряет

Блог RadixArk начинается с эффективности обучения, а не с модели, и это справедливая трактовка того, что продаёт компания, — это инфраструктурная организация, которая обслуживала развёртывания SGLang для других лабораторий, — но из-за этого показатели эффективности труднее оценить в деньгах, чем строку бенчмарка.

Утверждение состоит в том, что утилизация FLOPs модели составляет 37% для его внутреннего бэкенда против 16% для открытого тренера на основе Megatron, что описывается как снижение стоимости обучения на 57% и двукратное ускорение сквозного процесса. Для базовой линии Megatron не опубликована конфигурация: ни план параллелизма, ни длина последовательности, ни размер батча. Показатель MFU в 16% правдоподобен для наивного плотного цикла обучения и неправдоподобен для хорошо настроенного, поэтому честный статус утверждения о «снижении стоимости на 57%» таков: это сравнение с безымянной конфигурацией неуказанного тренера, измеренное стороной, создавшей альтернативу.

63 000 GPU-часов, напротив, — это конкретная цифра, и её можно проверить на соответствие фактическому времени: 144 GPU за 18 дней дают 62 208 GPU-часов, что совпадает. То есть прогон стоил столько машинного времени, сколько утверждает RadixArk. Утверждение об эффективности добавляет к этому тезис о том, сколько это машинное время стоило бы кому-то другому, и вот эта часть не подтверждена.

Что можно скачать и что требуется для обслуживания

RadixArk опубликовала три варианта точности весов — все под Apache 2.0, все на Hugging Face, а также драфтер для спекулятивного декодирования.

• BF16 — около 52 ГБ. Полная точность и эталон для воспроизведения показателей карты.

• FP8 — около 29 ГБ. Сборка, которую запускает собственный пример обслуживания RadixArk, с FP8 KV-кэшем.

• NVFP4 — около 23 ГБ, и только для Blackwell. На RTX 5090 или DGX Spark это та сборка, которая позволяет 27B мультимодальной модели комфортно поместиться с запасом под длинный контекст.

• Drafter — RadixArk/Qwen3.8-27B-DSpark, черновая модель спекулятивного декодирования для SGLang, который является рекомендованным в карте путём обслуживания. Эталонная конфигурация запускает четыре реплики с параллелизмом по данным на узле с четырьмя GPU при тензорном параллелизме 1, контексте в 262 144 токена и FP8-кэше KV.

Что касается аппаратного обеспечения, RadixArk указывает развёртывание на одном GPU на H200, B200 и GB300, а также на RTX PRO 6000, RTX 5090 и DGX Spark. Ни на карточке продукта нигде не публикуется ни показатель пропускной способности, ни число токенов в секунду, — а это настоящий пробел для всех, кто подбирает конфигурацию развёртывания: отсутствует именно то число, которое сказало бы, стоит ли DSpark дополнительного GPU.

Наличие и вопрос ценообразования

Нет цены на API, размещённый RadixArk, которую можно было бы привести. На сайте компании описываются инференс и обучение для других лабораторий, и не публикуется эндпоинт DaisyRose, а карточка модели указывает только на самостоятельный хостинг через SGLang, vLLM и Docker. Сторонние предложения всё же существуют: одно, которое мы видели на момент публикации, указывает $0.15 за миллион входных токенов и $1.88 за миллион выходных токенов; это цифра стороннего хостинг-провайдера, а не цена из прайс-листа вендора, и её следует рассматривать как стартовую позицию одного провайдера, а не как рыночный тариф.

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.

Сама модель DaisyRose 27B на момент написания отсутствует в каталоге OrcaRouter, и мы не собираемся подразумевать обратное. Её базовая модель такова: Qwen3.8-27B предоставляется под идентификатором qwen/qwen3.8-27b — собственная сборка Alibaba с открытыми весами, по цене $0,33 за миллион входных токенов и $2,40 за миллион выходных, с контекстом в 262 144 токена и той же визуальной башней, которую сохраняет этап посттренировки. Это важно для всех, кто оценивает этот релиз, потому что самый дешёвый способ проверить, оправдывает ли прирост на 12 пунктов в Terminal Bench развёртывание H200, — сначала прогнать базовую модель через API на тех же промптах и сравнить. Это также даёт запасной путь: если развёрнутый самостоятельно экземпляр DaisyRose упадёт посреди задачи, базовая модель доступна через тот же ключ, и автоматическое переключение при сбое — правило, которое может передать запрос ей, а не завершить вызов ошибкой.

Что бы это решило?

Ничто в этом релизе не запускалось независимо. Для DaisyRose 27B нет записи в Artificial Analysis, в таблице лидеров Terminal Bench нет стороннего харнесса, а строки сравнения между моделями в собственном сравнении RadixArk опираются на опубликованные другими сторонами показатели, а не на запуски, выполненные в прямом сопоставлении. Карточка необычно явно говорит обо всём этом, что делает ей честь, но явное указание происхождения не делает показатель независимым.

Стоит обратить внимание на две вещи. Первая — это воспроизведение Terminal Bench 4.1 на публичном харнессе: с 5.6 до 12.0 — именно на этом заявлении держится весь релиз, а это тот тип скачка, который может дать и разница в харнессе. Вторая — DeepSWE, где модель отстаёт от Inkling 2 Small на 26 пунктов, несмотря на то что обучающие данные относятся к агентной разработке ПО. Если прирост на 4.1 воспроизведётся, а разрыв на DeepSWE не сократится, вывод будет таким: посттренировка только на RL учит модель пользоваться терминалом, но не учит её рассуждать о кодовой базе — и это гораздо более конкретная и полезная находка, чем любой отдельный громкий показатель.

Сравнение в этой статье1

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно