
DaisyRose 27B: 18 dagar av RL och ingen övervakad finjustering
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 187 tok/s
- openaiNYOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1M tokens · 87 tok/s
- openaiNYOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1M tokens · 152 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 194 tok/s
- AlibabaNYQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M tokens · 86 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 705 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1M tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 101 tok/s
DaisyRose 27B från RadixArk är en efterträning av Qwen3.8-27B byggd med förstärkningsinlärning och inget annat – ingen övervakad finjusteringsomgång, ingen destillation från en större lärare – och de två benchmarkrader som bäst beskriver vad det ger ligger fyra rader ifrån varandra på dess eget modellkort. På Terminal Bench 4.1 går modellen från 5,6 till 12,0 mot sin bas, mer än en fördubbling. På DeepSWE v1.1 går den från 42,2 till 46,2, en ökning med fyra punkter. Den ena raden säger att receptet lärde modellen något den inte alls kunde göra; den andra säger att det mesta av det den redan kunde göra, gör den ungefär lika bra som tidigare. RadixArk publicerade vikterna och receptet den 18 november 2026 under Apache 2.0, och en ärlig läsning av släppet är att båda raderna är sanna samtidigt.
Det här är en lansering, och en färsk sådan – blogginlägget och Hugging Face-kortet är tre dagar gamla när detta skrivs. Det som följer är vad RadixArk hävdar, vilka delar av det som går att kontrollera i dag, och var siffrorna kommer ifrån.
Vad tränades faktiskt?
Basen är Qwen3.8-27B, oförändrad i arkitekturen: samma tokenizer, samma chattmall, samma vision tower, samma kontext på 262 144 tokens. RadixArk beskriver DaisyRose 27B som en direkt ersättning för den basen, vilket är ett påstående om kompatibilitet snarare än kvalitet – befintliga promptar, bildindata och serveringskonfigurationer kan användas utan ändringar.
• Totalt antal parametrar — 27,8B, varav 0,46B utgörs av visionskodaren och 0,42B av ett prediktionshuvud för flera tokens.
• Träningssignal – enbart förstärkning. RadixArk uppger att körningen inte använde någon övervakad finjustering och ingen destillation, vilket är ovanligt i den här storleken; de flesta öppna efterträningar på 27B börjar med en SFT-omgång och använder RL för att finslipa den.
• Miljö — ungefär 1 200 kurerade långhorisontella agentuppgifter, byggda med Eigent AI, utformade för att kedja samman flera problem och för att vara motståndskraftiga mot belöningshackning. Sessionerna körde upp till en miljon tokens, vilket är siffran som förklarar resten av upplägget: en så lång uppgift kräver en sandlåda som håller sig vid liv i timmar.
Beräkning – 18 dagar på 144 H200:or, uppdelat med 128 för inferens och 16 för tränaren, som körs helt asynkront, i cirka 63 000 GPU-timmar. Tränaren är Miles-ramverket.
• Sandlådor – cirka 944 000 av dem under körningen, med en topp på 1 566 samtidiga och över 99,95 % lyckade skapanden i slutet av oktober. RadixArk anger att infrastrukturen ligger på ungefär 80 % under vad populära molnsandlådor enligt företaget tar betalt.
Uppdelningen 128/16 är den del som är värd att stanna upp vid. I en asynkron RL-loop genererar inferensflottan rollouts för långa agentsessioner medan tränaren konsumerar färdiga trajektorier, så förhållandet säger något om hur lång tid varje rollout tar i förhållande till ett gradientsteg. Det är också därför RadixArks effektivitetsargument formuleras i väggklockstid i stället för i FLOPs: körningen blev klar på arton dagar, och antalet GPU:er är oansenligt i jämförelse med det.
Benchmarktabellen, läst med dess fotnoter
RadixArk rapporterar sju benchmarks mot baslinjen Qwen3.8-27B och anger för varje benchmark hur många körningar, vilket testramverk och vilka samplingsinställningar som användes. Den fotnoteringen är mer än vad de flesta lanseringskort gör, och det är anledningen till att siffrorna nedan överhuvudtaget kan jämföras med varandra. De är fortfarande körda av leverantören och ingen utanför RadixArk har reproducerat dem.
• Terminal Bench 4.1 – 12,0 mot 5,6 för basmodellen. Åtta körningar per uppgift på en intern mini-swe-agent-harness med sammanfattning aktiverad. Modeller som saknar en 4.1-post i jämförelsen mellan modeller får sin 4.0-poäng ersatt.
• Terminal Bench 2.1 — 75,5 mot 73,0. Fem körningar per uppgift, Terminus 2-harness. Ökningen här är under tre poäng, vilket ger motsatt intryck jämfört med 4.1-raden: 2.1-sviten är den som basmodellen redan var bra på.
• DeepSWE v1.1 — 46,2 mot 42,2. Åtta körningar, mini-swe-agent.
• SWE Bench Pro v2 — 94,7 mot 91,3. Fem körningar, mini-swe-agent, alla 642 uppgifter. Flera av de jämförda modellerna rapporterar endast Hard-delmängden, så den här raden är inte en jämförelse på lika villkor mellan kolumnerna.
• HLE, endast text — 34,3 mot 33,9. Fem körningar per problem, inga verktyg, bedömd av GPT-6 Luna.
• IFBench — 82,4 mot 79,5. Fyra körningar på 300 prompter med den officiella allenai-bedömaren, strikt noggrannhet på promptnivå exklusive tänkande.
• GPQA Diamond — 90,7 mot 89,2. Åtta körningar på 198 frågor, simple-evals-mall, svarsordningen slumpades om varje gång.

Två egenskaper hos den tabellen spelar större roll än någon enskild rad. Den första är att varje DaisyRose-poäng är den bättre av dess BF16- och FP8-körningar, vilka RadixArk säger skiljer sig med mindre än en poäng — en liten marginal, men det innebär att den publicerade siffran är bäst av två snarare än ett medelvärde. Den andra är samplingen: temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Hög effort och hög temperatur är en konfiguration som valts för att maximera agentiska poäng, och en läsare som kör med standardinställningar bör förvänta sig något lägre än tabellen.
Där det inte är ledaren
Modellkortet jämför DaisyRose 27B med sju andra system, och resultatet är inte en total seger – vilket är det mest användbara med tabellen, eftersom förlusterna är informativa.
Terminal Bench 4.1 — MiMo V2.6 Flash får 16,1, Inkling 2 Small 13,0, GPT-6 Luna 15,2, alla över DaisyRoses 12,0. Muse Glimmer-30B får 0,5 och Qwen3.6-35B-A3B får 0,0 i samma testrigg.
• Terminal Bench 2.1 — MiMo V2.6 Flash 87.6 och Inkling 2 Small 81.3 ligger båda i täten; Muse Spark Open ligger på 76.4.
• DeepSWE v1.1 — Inkling 2 Small 72,1, MiMo V2.6 Flash 67,9 och GPT-6 Luna 66,6 mot DaisyRoses 46,2. Detta är den största förlusten på kortet, och den drabbar det benchmark som mest liknar träningsdistributionen.
• HLE endast text — Inkling 2 Small 44.1 och Muse Spark Open 43.9, mot 34.3.
• GPQA Diamond — Inkling 2 Small 93,0, Beam 1.0 90,6, GPT-6 Luna 90,5, DaisyRose 90,7. Det är nästan dött lopp i toppen.
• IFBench — DaisyRose 82,4 är det högsta värdet på kortet; ingen konkurrentrad har något nummer.
Vad det mönstret säger är att den densa 27.8B-modellen vinner på att följa instruktioner och står sig inom naturvetenskap på avancerad nivå, men förlorar mot mycket större glesa modeller på djupgående programvarutekniska uppgifter. MiMo V2.6 Flash aktiverar 15B av 309B och Inkling 2 Small aktiverar 17B av 594B, så jämförelsen är en dens 27B-modell mot modeller med tjugo gånger så många lagrade parametrar, routade. Att förlora mot dem är inte ett misslyckande för receptet; det säger något om hur stor del av gapet en 27B-modell kan stänga.

Påståendet om 37 % MFU och vad det mäter
RadixArks blogg lyfter fram träningseffektivitet snarare än modellen, vilket är en rimlig tolkning av vad företaget säljer – det är en infrastrukturleverantör som har levererat SGLang-driftsättningar åt andra labb – men det gör effektivitetssiffrorna svårare att värdera än en rad i ett benchmark.
Påståendet är 37 % modell-FLOPs-utnyttjande för dess interna backend mot 16 % för en Megatron-baserad tränare med öppen källkod, vilket beskrivs som 57 % lägre träningskostnad och 2x snabbare från början till slut. Det finns ingen publicerad konfiguration för Megatron-baslinjen: ingen parallelliseringsplan, ingen sekvenslängd, ingen batchstorlek. En MFU-siffra på 16 % är rimlig för en naiv dense träningsloop och orimlig för en väljusterad sådan, så den ärliga statusen för "57 % lägre kostnad" är att det är en jämförelse mot en icke namngiven konfiguration av en ospecificerad tränare, mätt av den part som byggde alternativet.
De 63 000 GPU-timmarna är däremot en konkret siffra och den kan rimlighetskontrolleras mot väggklockan: 144 GPU:er under 18 dagar är 62 208 GPU-timmar, vilket stämmer. Så körningen kostade vad RadixArk säger att den kostade i maskintid. Det effektivitetsanspråket lägger till ovanpå är ett påstående om vad den maskintiden skulle ha kostat någon annan, och den delen är overifierad.
Vad du kan ladda ner, och vad som krävs för att servera
RadixArk publicerade tre precisionsnivåer av vikterna, alla under Apache 2.0, alla på Hugging Face, plus en utkastmodell för spekulativ avkodning.
• BF16 — cirka 52 GB. Full precision, och referensen för att återskapa kortets siffror.
• FP8 – cirka 29 GB. Den build som RadixArk:s eget servingexempel kör, med en FP8-KV-cache.
• NVFP4 – cirka 23 GB, och endast för Blackwell. På en RTX 5090 eller en DGX Spark är det här bygget som gör att en multimodell modell på 27B får plats bekvämt med utrymme för en lång kontext.
• Drafter — RadixArk/Qwen3.8-27B-DSpark, en draftmodell för spekulativ avkodning för SGLang, vilket är den serveringsväg som kortet rekommenderar. Referenskonfigurationen kör fyra dataparallella repliker över en nod med fyra GPU:er vid tensorparallellism 1, en kontext på 262 144 token och en FP8-KV-cache.
När det gäller hårdvara listar RadixArk driftsättning på en enda GPU för H200, B200 och GB300, samt RTX PRO 6000, RTX 5090 och DGX Spark. Ingen siffra för genomströmning eller tokens per sekund publiceras någonstans på kortet, vilket är en verklig lucka för den som dimensionerar en driftsättning: det enda talet som skulle tala om ifall DSpark är värt den extra GPU:n saknas.
Tillgänglighet, och frågan om prissättning
Det finns inget pris för RadixArk-hostad API att ange. Företagets webbplats beskriver servering och träning för andra labb och publicerar ingen DaisyRose-endpoint, och modellkortet hänvisar endast till självhosting via SGLang, vLLM och Docker. Det finns dock tredjepartslistningar: en som vi såg vid publiceringstillfället anger $0.15 per miljon indatatoken och $1.88 per miljon utdatatoken, vilket är en tredjepartsvärds siffra snarare än ett leverantörslistpris och bör betraktas som en enskild värds utgångsposition snarare än marknadspriset.

DaisyRose 27B finns inte i OrcaRouters katalog när detta skrivs, och vi tänker inte antyda något annat. Dess basmodell är: Qwen3.8-27B serveras under qwen/qwen3.8-27b, Alibabas eget öppenviktsbygge, till $0,33 per miljon inputtoken och $2,40 per miljon outputtoken, med en kontext på 262 144 token och samma vision tower som efterträningen behåller. Det spelar roll för alla som utvärderar den här releasen, eftersom det billigaste sättet att testa om en förbättring på 12 poäng på Terminal Bench är värd att resa en H200 är att först köra basmodellen via ett API, med samma prompter, och jämföra. Det ger också en reservväg: om en självhostad DaisyRose-distribution fallerar mitt i en uppgift finns basmodellen bakom samma nyckel, och en automatisk failover-regel kan lämna över begäran till den i stället för att anropet misslyckas.
Vad skulle avgöra det?
Inget i det här släppet har körts oberoende. Det finns ingen Artificial Analysis-post för DaisyRose 27B, ingen tredjeparts-harness på Terminal Bench-topplistan, och tvärmodellraderna i RadixArks egen jämförelse bygger på andra parters publicerade siffror snarare än på körningar som utförts sida vid sida. Kortet är ovanligt tydligt om allt detta, vilket är till dess fördel, men en explicit proveniens gör inte en siffra oberoende.
Två saker är värda att hålla ögonen på. Den första är en reproduktion av Terminal Bench 4.1 på den offentliga testriggen: 5,6 till 12,0 är påståendet som hela lanseringen vilar på, och det är den typen av hopp som en skillnad i testriggen också kan åstadkomma. Den andra är DeepSWE, där modellen ligger 26 poäng efter Inkling 2 Small trots att träningsdatan är agentisk mjukvaruutveckling. Om 4.1-vinsten reproduceras och DeepSWE-gapet inte sluts, är berättelsen att RL-endast efterträning lär en modell att använda en terminal utan att lära den resonera kring en kodbas – och det är en mycket mer specifik och mer användbar slutsats än något enskilt toppresultat.
Jämförda i den här artikeln1
Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen
