
DaisyRose 27B: 18 ngày RL và không tinh chỉnh có giám sát
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 187 tok/s
- openaiMỚIOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 trên 1 triệu token · 87 tok/s
- openaiMỚIOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 trên 1 triệu token · 152 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 194 tok/s
- AlibabaMỚIQwen: Qwen4 Max2026-11-16$1.50 / $4.50 trên 1 triệu token · 86 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 705 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 trên 1 triệu token · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 101 tok/s
DaisyRose 27B của RadixArk là bản hậu huấn luyện của Qwen3.8-27B được xây dựng chỉ bằng học tăng cường và không có gì khác — không có lượt tinh chỉnh có giám sát, không chưng cất từ một giáo viên lớn hơn — và hai dòng benchmark mô tả rõ nhất điều đó mang lại gì nằm cách nhau bốn dòng trên chính model card của nó. Trên Terminal Bench 4.1, mô hình tăng từ 5.6 lên 12.0 so với bản gốc, hơn gấp đôi. Trên DeepSWE v1.1, mô hình tăng từ 42.2 lên 46.2, mức tăng bốn điểm. Một dòng nói rằng công thức đã dạy mô hình một việc mà nó hoàn toàn không làm được; dòng còn lại nói rằng phần lớn những gì nó đã làm được trước đây, nó vẫn làm tốt tương đương như trước. RadixArk đã công bố trọng số và công thức vào ngày 18 tháng 11 năm 2026 theo Apache 2.0, và cách đọc trung thực về bản phát hành là cả hai dòng đều đúng cùng lúc.
Đây là một buổi ra mắt, và là một buổi ra mắt gần đây — bài blog và thẻ Hugging Face mới ba ngày tuổi tính đến thời điểm viết. Những gì sau đây là những gì RadixArk tuyên bố, phần nào trong đó có thể kiểm chứng ngay hôm nay, và các con số đến từ đâu.
Điều gì thực sự đã được huấn luyện?
Mô hình cơ sở là Qwen3.8-27B, không thay đổi về kiến trúc: cùng tokenizer, cùng chat template, cùng vision tower, cùng ngữ cảnh 262.144 token. RadixArk mô tả DaisyRose 27B là bản thay thế tương thích trực tiếp cho mô hình cơ sở đó, một tuyên bố về tính tương thích chứ không phải về chất lượng — các prompt, đầu vào hình ảnh và cấu hình phục vụ hiện có vẫn giữ nguyên mà không cần sửa đổi.
• Tổng số tham số — 27,8 tỷ, trong đó 0,46 tỷ là bộ mã hóa thị giác và 0,42 tỷ là đầu dự đoán đa token.
• Tín hiệu huấn luyện — chỉ dùng học tăng cường. RadixArk cho biết lần chạy này không dùng tinh chỉnh có giám sát và không chưng cất, điều hiếm thấy ở quy mô này; hầu hết các đợt hậu huấn luyện mở ở 27B đều bắt đầu bằng một lượt SFT rồi dùng RL để tinh chỉnh thêm.
• Môi trường — khoảng 1.200 tác vụ tác nhân dài hạn đã được tuyển chọn, được xây dựng bằng Eigent AI, được thiết kế để nối nhiều vấn đề lại với nhau và chống lại việc bị hack phần thưởng. Các phiên chạy lên tới một triệu token, con số này giải thích phần còn lại của thiết lập: một tác vụ dài như vậy cần một sandbox duy trì hoạt động trong nhiều giờ.
• Tính toán — 18 ngày trên 144 H200, chia 128 cho suy luận và 16 cho bộ huấn luyện, chạy hoàn toàn bất đồng bộ, trong khoảng 63.000 giờ GPU. Bộ huấn luyện là framework Miles.
• Sandbox — khoảng 944.000 sandbox trong toàn bộ quá trình chạy, đạt đỉnh 1.566 sandbox chạy đồng thời, với tỷ lệ tạo thành công trên 99,95% vào cuối tháng 10. RadixArk cho rằng cơ sở hạ tầng đó có chi phí thấp hơn khoảng 80% so với mức mà họ nói các sandbox đám mây phổ biến đang tính.
Việc chia 128/16 là phần đáng để dừng lại. Trong một vòng lặp RL bất đồng bộ, đội inference tạo rollout cho các phiên agent dài trong khi trainer tiêu thụ các quỹ đạo đã hoàn tất, vì vậy tỷ lệ này cho biết mỗi rollout mất bao lâu so với một bước gradient. Đây cũng là lý do luận điểm hiệu quả của RadixArk được diễn đạt theo wall-clock thay vì FLOPs: lần chạy hoàn tất trong mười tám ngày, và số lượng GPU không có gì đáng chú ý so với con số đó.
Bảng đánh giá chuẩn, đọc kèm phần chú thích chân trang của bảng.
RadixArk báo cáo bảy benchmark so với baseline Qwen3.8-27B, và nêu rõ với từng benchmark số lần chạy, dùng harness nào và cài đặt lấy mẫu nào. Cách ghi chú này kỹ hơn hầu hết các thẻ ra mắt, và đó chính là lý do các con số dưới đây có thể so sánh được với nhau. Chúng vẫn do nhà cung cấp tự chạy và chưa ai bên ngoài RadixArk tái lập được.
• Terminal Bench 4.1 — 12,0 so với 5,6 của mô hình cơ sở. Tám lần chạy cho mỗi tác vụ trên một harness mini-swe-agent nội bộ có bật tóm tắt. Các mô hình không có mục 4.1 trong so sánh chéo mô hình sẽ được thay bằng điểm 4.0 của chúng.
• Terminal Bench 2.1 — 75.5 so với 73.0. Năm lần chạy mỗi tác vụ, harness Terminus 2. Mức tăng ở đây dưới ba điểm, trái ngược với ấn tượng từ hàng 4.1: bộ 2.1 chính là bộ mà mô hình cơ sở vốn đã làm tốt.
• DeepSWE v1.1 — 46,2 so với 42,2. Tám lần chạy, mini-swe-agent.
• SWE Bench Pro v2 — 94,7 so với 91,3. Năm lần chạy, mini-swe-agent, toàn bộ 642 tác vụ. Một số mô hình được so sánh chỉ báo cáo tập con Hard, nên hàng này không thể so sánh trực tiếp giữa các cột.
• HLE, chỉ văn bản — 34,3 so với 33,9. Năm lần chạy cho mỗi bài toán, không dùng công cụ, được chấm bởi GPT-6 Luna.
• IFBench — 82,4 so với 79,5. Bốn lần chạy trên 300 lời nhắc với bộ chấm điểm chính thức của allenai, độ chính xác nghiêm ngặt ở cấp độ lời nhắc, không tính phần suy nghĩ.
• GPQA Diamond — 90,7 so với 89,2. Tám lần chạy trên 198 câu hỏi, theo mẫu simple-evals, thứ tự câu trả lời được xáo trộn lại mỗi lần.

Hai thuộc tính của bảng đó quan trọng hơn bất kỳ một hàng riêng lẻ nào. Thứ nhất là mọi điểm DaisyRose đều là kết quả tốt hơn giữa hai lần chạy BF16 và FP8, mà RadixArk cho biết chênh lệch dưới một điểm — biên độ nhỏ, nhưng điều đó có nghĩa con số được công bố là giá trị tốt nhất trong hai lần chạy chứ không phải giá trị trung bình. Thứ hai là cách lấy mẫu: temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh. Effort cao và temperature cao là cấu hình được chọn để tối đa hóa điểm agentic, và người đọc chạy ở cấu hình mặc định nên kỳ vọng kết quả thấp hơn bảng.
Nơi nó không phải là người lãnh đạo
Thẻ mô hình so sánh DaisyRose 27B với bảy hệ thống khác, và kết quả không phải là một chiến thắng áp đảo — đó chính là điều hữu ích nhất ở bảng này, vì những điểm thua lại mang nhiều thông tin.
Terminal Bench 4.1 — MiMo V2.6 Flash đạt 16,1, Inkling 2 Small 13,0, GPT-6 Luna 15,2, tất cả đều cao hơn mức 12,0 của DaisyRose. Muse Glimmer-30B đạt 0,5 và Qwen3.6-35B-A3B đạt 0,0 trên cùng một bộ đánh giá.
• Terminal Bench 2.1 — MiMo V2.6 Flash 87.6 và Inkling 2 Small 81.3 đều dẫn đầu; Muse Spark Open đang ở mức 76.4.
• DeepSWE v1.1 — Inkling 2 Small 72.1, MiMo V2.6 Flash 67.9 và GPT-6 Luna 66.6 so với 46.2 của DaisyRose. Đây là mức thua kém lớn nhất trên thẻ, và nó rơi đúng vào bộ đánh giá có đặc điểm gần nhất với phân phối huấn luyện.
• HLE chỉ văn bản — Inkling 2 Small 44.1 và Muse Spark Open 43.9, so với 34.3.
• GPQA Diamond — Inkling 2 Small 93,0, Beam 1.0 90,6, GPT-6 Luna 90,5, DaisyRose 90,7. Gần như hòa nhau ở vị trí dẫn đầu.
• IFBench — DaisyRose 82.4 là con số cao nhất trên thẻ; không có hàng đối thủ nào có số.
Điều mà mô thức đó cho thấy là mô hình dense 27.8B thắng về khả năng tuân theo chỉ dẫn và giữ vững vị thế ở trình độ khoa học sau đại học, đồng thời thua các mô hình sparse lớn hơn nhiều trong những tác vụ kỹ thuật phần mềm chuyên sâu. MiMo V2.6 Flash kích hoạt 15B trong tổng 309B và Inkling 2 Small kích hoạt 17B trong tổng 594B, nên phép so sánh là giữa một mô hình dense 27B với các mô hình có lượng tham số lưu trữ gấp hai mươi lần, được định tuyến. Thua những mô hình đó không phải là thất bại của công thức; đó là một phát biểu về việc một mô hình 27B có thể thu hẹp được bao nhiêu phần của khoảng cách.

Tuyên bố MFU 37% và những gì nó đang đo lường
Blog của RadixArk mở đầu bằng hiệu quả huấn luyện thay vì mô hình, một cách lý giải hợp lý về những gì công ty bán — đây là một đơn vị hạ tầng đã phục vụ các triển khai SGLang cho các phòng thí nghiệm khác — nhưng điều đó khiến các con số hiệu quả khó định giá hơn so với một dòng benchmark.
Tuyên bố là mức sử dụng FLOPs của mô hình 37% cho backend nội bộ của họ so với 16% cho một trình huấn luyện mã nguồn mở dựa trên Megatron, được mô tả là chi phí huấn luyện thấp hơn 57% và tăng tốc end-to-end gấp 2 lần. Không có cấu hình nào được công bố cho baseline Megatron: không có kế hoạch song song hóa, không có độ dài chuỗi, không có kích thước lô. Con số MFU 16% là hợp lý đối với một vòng huấn luyện dense ngây thơ và không hợp lý đối với một vòng đã được tinh chỉnh tốt, vì vậy trạng thái trung thực của "chi phí thấp hơn 57%" là nó là một so sánh với một cấu hình không tên của một trình huấn luyện không được chỉ định, được đo bởi bên đã xây dựng giải pháp thay thế.
Ngược lại, 63.000 giờ GPU là một con số cụ thể và có thể đối chiếu với đồng hồ thực: 144 GPU trong 18 ngày là 62.208 giờ GPU, khớp với con số đó. Vậy là lần chạy đó tốn đúng lượng thời gian máy như RadixArk nói. Điều mà tuyên bố về hiệu suất bổ sung thêm là một khẳng định về việc lượng thời gian máy đó sẽ tốn của người khác bao nhiêu, và phần đó chưa được kiểm chứng.
Những gì bạn có thể tải xuống và những gì cần thiết để phục vụ
RadixArk đã công bố ba độ chính xác của trọng số, tất cả đều theo Apache 2.0, tất cả đều trên Hugging Face, cùng với một mô hình dự thảo cho giải mã suy đoán.
• BF16 — khoảng 52 GB. Độ chính xác đầy đủ và là tham chiếu để tái tạo các con số của card.
• FP8 — khoảng 29 GB. Bản dựng mà ví dụ phục vụ của chính RadixArk chạy, với bộ nhớ đệm KV FP8.
• NVFP4 — khoảng 23 GB, và chỉ dành cho Blackwell. Trên RTX 5090 hoặc DGX Spark, đây là bản dựng giúp một mô hình đa phương thức 27B vừa vặn thoải mái, vẫn còn chỗ cho ngữ cảnh dài.
• Drafter — RadixArk/Qwen3.8-27B-DSpark, một mô hình nháp giải mã suy đoán cho SGLang, đây là đường phục vụ mà card khuyến nghị. Cấu hình tham chiếu chạy bốn bản sao song song dữ liệu trên một nút bốn GPU với tensor parallelism 1, ngữ cảnh 262.144 token và bộ nhớ đệm KV FP8.
Về phần cứng, RadixArk liệt kê triển khai một GPU trên H200, B200 và GB300, cùng với RTX PRO 6000, RTX 5090 và DGX Spark. Không có số liệu thông lượng hay token mỗi giây nào được công bố ở bất kỳ đâu trên thẻ, đây là một lỗ hổng thực sự cho bất kỳ ai đang tính toán quy mô triển khai: con số duy nhất cho bạn biết liệu DSpark có đáng để thêm GPU hay không đang bị thiếu.
Tình trạng còn hàng và câu hỏi về giá cả
Không có giá API nào do RadixArk lưu trữ để báo giá. Trang web của công ty mô tả việc phục vụ và huấn luyện cho các phòng thí nghiệm khác và không công bố endpoint DaisyRose nào, còn model card chỉ hướng đến việc tự lưu trữ qua SGLang, vLLM và Docker. Có tồn tại các danh sách niêm yết của bên thứ ba: một mục chúng tôi thấy tại thời điểm công bố báo giá 0,15 USD mỗi triệu token đầu vào và 1,88 USD mỗi triệu token đầu ra, đây là con số của một nhà cung cấp bên thứ ba chứ không phải giá niêm yết của nhà cung cấp, và nên được coi là mức giá chào ban đầu của một nhà cung cấp chứ không phải giá thị trường.

Bản thân DaisyRose 27B hiện không có trong danh mục của OrcaRouter tại thời điểm viết bài, và chúng tôi sẽ không ngụ ý điều ngược lại. Mô hình cơ sở của nó là: Qwen3.8-27B được phục vụ dưới qwen/qwen3.8-27b, bản dựng trọng số mở của chính Alibaba, ở mức 0,33 USD mỗi triệu token đầu vào và 2,40 USD mỗi triệu token đầu ra, với ngữ cảnh 262.144 token và cùng tháp thị giác mà bản hậu huấn luyện giữ lại. Điều đó quan trọng với bất kỳ ai đang đánh giá bản phát hành này, vì cách rẻ nhất để kiểm tra xem mức tăng 12 điểm trên Terminal Bench có đáng để dựng một H200 hay không là chạy mô hình cơ sở qua API trước, trên cùng các prompt, rồi so sánh. Nó cũng mang lại một đường dự phòng: nếu một triển khai DaisyRose tự lưu trữ bị sập giữa tác vụ, mô hình cơ sở nằm sau cùng một khóa, và một quy tắc chuyển đổi dự phòng tự động có thể chuyển yêu cầu sang nó thay vì làm lỗi cuộc gọi.
Điều gì sẽ giải quyết được chuyện đó?
Không có nội dung nào trong bản phát hành này được chạy độc lập. Không có mục Artificial Analysis nào cho DaisyRose 27B, không có harness của bên thứ ba trên bảng xếp hạng Terminal Bench, và các hàng so sánh chéo mô hình trong bảng so sánh của chính RadixArk dựa trên số liệu đã công bố của các bên khác chứ không phải trên các lần chạy được thực hiện song song. Thẻ mô hình minh bạch một cách bất thường về tất cả những điều này, đó là điểm đáng khen, nhưng nguồn gốc rõ ràng không làm cho một con số trở nên độc lập.
Có hai điều đáng để theo dõi. Thứ nhất là việc tái tạo Terminal Bench 4.1 trên harness công khai: 5.6 lên 12.0 là tuyên bố mà toàn bộ bản phát hành dựa vào, và đây là kiểu bước nhảy mà một khác biệt về harness cũng có thể tạo ra. Thứ hai là DeepSWE, nơi mô hình kém Inkling 2 Small 26 điểm dù dữ liệu huấn luyện là kỹ thuật phần mềm dạng tác tử. Nếu mức tăng 4.1 được tái lập và khoảng cách DeepSWE không được thu hẹp, thì câu chuyện là: post-training chỉ bằng RL dạy mô hình sử dụng terminal mà không dạy nó suy luận về một codebase — và đó là một phát hiện cụ thể hơn, hữu ích hơn nhiều so với bất kỳ điểm số nổi bật đơn lẻ nào.
So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
