一张标题卡写着“DaisyRose 27B”,副标题为“十八天强化学习,无 SFT”,位于三张卡片上方,卡片分别写着“基础模型:Qwen3.8-27B”“训练:约 63,000 H200 GPU 小时”和“Terminal Bench 4.1:5.6 至 12.0”,页脚写着“数据来自 RadixArk 的模型卡和博客文章,2026 年 11 月 18 日。”OrcaRouter 标志位于右下角。
Guides & Insights

DaisyRose 27B:18 天强化学习,无需监督微调

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

RadixArk 的 DaisyRose 27B 是 Qwen3.8-27B 的后训练模型,完全通过强化学习构建——没有经过监督微调,也没有从更大的教师模型进行蒸馏——而最能说明这种训练带来了什么的两行基准测试结果,就在它自己的模型卡上相隔四行。在 Terminal Bench 4.1 上,该模型相对其基座从 5.6 提升到 12.0,增长一倍多。在 DeepSWE v1.1 上,它从 42.2 提升到 46.2,提高了四个点。一行说明这套训练配方教会了模型它原本完全做不到的事情;另一行则说明,对于它已经能做到的大部分事情,它的表现与之前大致相当。RadixArk 于 2026 年 11 月 18 日在 Apache 2.0 许可下发布了权重和训练配方,而对这次发布最诚实的解读是:这两行同时都是真的。

这是一次发布,而且就发生在最近——截至撰写本文时,那篇博客文章和 Hugging Face 卡片才发布了三天。下文将说明 RadixArk 声称了什么、其中哪些部分目前可以核查,以及这些数字从何而来。

实际训练的是什么

基座是 Qwen3.8-27B,架构保持不变:相同的分词器、相同的聊天模板、相同的视觉塔、相同的 262,144 token 上下文。RadixArk 将 DaisyRose 27B 描述为该基座的直接替换,这一说法关乎兼容性而非质量——现有提示词、图像输入和服务配置无需修改即可沿用。

• 总参数量——27.8B,其中0.46B为视觉编码器,0.42B为多令牌预测头。

• 训练信号——仅使用强化学习。RadixArk 表示该次训练未使用监督微调,也未使用蒸馏,这在同等规模下并不常见;大多数 27B 级别的开源后训练都从一轮 SFT 起步,再用强化学习对其进行打磨。

• 环境 — 约 1,200 个精选的长时程智能体任务,由 Eigent AI 构建,旨在将多个问题串联起来,并能抵御奖励黑客攻击。会话最长运行达一百万个 token,这个数字解释了其余设置:如此长的任务需要一个能持续运行数小时的沙盒。

• 算力——在 144 块 H200 上运行 18 天,其中 128 块用于推理、16 块用于训练器,全程异步运行,总计约 63,000 GPU 小时。训练器采用的是 Miles 框架。

• 沙箱——整个运行期间约 944,000 个,并发峰值达 1,566 个,十月下旬创建成功率超过 99.95%。RadixArk 表示,该基础设施的成本比其所说主流云沙箱的收费低约 80%。

128/16 这个拆分比例值得停下来想想。在异步 RL 循环中,推理集群会为长时间的智能体会话生成 rollout,而训练器则消费已完成的轨迹,因此这个比例说明的是每次 rollout 相对于一次梯度步要花多长时间。这也是为什么 RadixArk 的效率宣传是以挂钟时间而不是以 FLOPs 来表述的:这次运行在十八天内完成,而相比之下 GPU 的数量并不起眼。

基准表,连同其脚注一起阅读

RadixArk 针对 Qwen3.8-27B 基线报告了七项基准测试,并逐项说明了每项基准的运行次数、所用测试框架以及采样设置。这样的脚注说明比大多数发布资料做得更多,也正是因此,下面的数字之间才具备可比性。不过,这些结果仍由厂商自行运行,RadixArk 之外尚无人复现。

• Terminal Bench 4.1——12.0,而基础版本为 5.6。在启用摘要功能的内部 mini-swe-agent 测试框架上,每个任务运行八次。在跨模型比较中没有 4.1 条目的模型,以其 4.0 分数替代。

• Terminal Bench 2.1 — 75.5 对 73.0。每个任务运行五次,使用 Terminus 2 测试框架。这里的提升不到三个点,这与 4.1 那一行给人的印象正好相反:2.1 套件正是基础模型本来就已经擅长的那个。

• DeepSWE v1.1 — 46.2 对 42.2。八次运行,mini-swe-agent。

• SWE Bench Pro v2 — 94.7 对 91.3。五次运行,mini-swe-agent,全部 642 项任务。若干被比较的模型仅报告 Hard 子集,因此这一行在各列之间并非同口径比较。

• HLE,仅文本——34.3 对 33.9。每题运行五次,不使用工具,由 GPT-6 Luna 评分。

• IFBench — 82.4 对比 79.5。使用官方 allenai 评分器在 300 条提示上进行四次运行,严格的提示级准确率,不包含思考过程。

• GPQA Diamond — 90.7 对 89.2。在 198 道题上运行八次,采用 simple-evals 模板,每次均重新打乱答案顺序。

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.

那张表有两个特性比任何单独一行都更重要。第一点是,每个 DaisyRose 分数都是其 BF16 与 FP8 运行中更好的那个,RadixArk 称两者相差不到一分——差距虽小,但这意味着公布的数字是两次中的最佳值,而不是平均值。第二点是采样设置:temperature 1.0、top_p 0.95、top_k 20、reasoning effort xhigh。高 effort 和高 temperature 是为最大化 agentic 分数而选定的配置,使用默认设置运行的读者应预期得到低于表中数字的结果。

在它不是领导者的地方

模型卡将 DaisyRose 27B 与另外七个系统进行比较,结果并非一边倒的完胜——而这恰恰是这张表最有价值的地方,因为那些落败之处同样能提供有益的信息。

• Terminal Bench 4.1 — MiMo V2.6 Flash 得分为 16.1,Inkling 2 Small 为 13.0,GPT-6 Luna 为 15.2,均高于 DaisyRose 的 12.0。Muse Glimmer-30B 得分为 0.5,Qwen3.6-35B-A3B 在同一测试框架上得分为 0.0。

• Terminal Bench 2.1 —— MiMo V2.6 Flash 以 87.6 分、Inkling 2 Small 以 81.3 分共同领跑;Muse Spark Open 则为 76.4 分。

• DeepSWE v1.1 — Inkling 2 Small 72.1、MiMo V2.6 Flash 67.9 和 GPT-6 Luna 66.6,而 DaisyRose 仅为 46.2。这是整张对比卡上差距最大的一场失利,而且恰恰落在与训练分布最为接近的那个基准测试上。

• HLE 纯文本 — Inkling 2 Small 44.1 和 M​use Spark Open 43.9,相较 34.3。

• GPQA Diamond — Inkling 2 Small 93.0,Beam 1.0 90.6,GPT-6 Luna 90.5,DaisyRose 90.7。榜首几乎不相上下。

• IFBench — DaisyRose 82.4 是卡片上的最高数值;没有任何竞争对手行显示数字。

这一规律表明,27.8B 稠密模型在指令遵循上胜出,在研究生水平的科学任务上不落下风,但在深度软件工程任务上输给规模大得多的稀疏模型。MiMo V2.6 Flash 在 309B 中激活 15B,Inkling 2 Small 在 594B 中激活 17B,因此这是 27B 稠密模型与存储参数多出二十倍、采用路由机制的模型之间的比较。输给这些模型并不是这套配方的失败;它说明的是一个 27B 模型能把差距缩小到什么程度。

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.

关于 37% MFU 的说法及其衡量内容

RadixArk 的博客以训练效率开篇,而不是以模型开篇;这相当准确地反映了该公司所销售的东西——它是一家为其他实验室提供 SGLang 部署服务的基础设施公司——但这使得效率数字比一行基准测试结果更难估值。

该说法是:其内部后端的模型 FLOPs 利用率为 37%,而基于 Megatron 的开源训练器为 16%,并称训练成本降低 57%、端到端加速 2 倍。Megatron 基线没有公布配置:没有并行方案、没有序列长度、没有批大小。16% 的 MFU 数字对于朴素的稠密训练循环是合理的,而对于调优良好的训练循环则不合理,因此“成本降低 57%”的诚实状态是:这是与一个未指定训练器的未命名配置进行的比较,而且是由构建替代方案的一方测量的。

相比之下,63,000 GPU 小时是一个具体数字,可以用实际时间来核验:144 块 GPU 运行 18 天是 62,208 GPU 小时,两者相符。因此,这次运行在机器时间上的成本与 RadixArk 所说的相符。效率声明在此基础上额外附加的,是关于这段机器时间对其他人来说原本会花费多少的表述,而这一部分尚未得到验证。

你可以下载什么,以及提供服务需要什么

RadixArk 发布了三种精度的权重,全部采用 Apache 2.0 许可,全部托管在 Hugging Face 上,另外还提供了一个投机解码草稿模型。

• BF16 — 约 52 GB。全精度,也是复现该卡数值的参照基准。

• FP8 — 约 29 GB。RadixArk 自家 serving 示例所运行的构建,使用 FP8 KV 缓存。

• NVFP4——约 23 GB,且仅限 Blackwell。在 RTX 5090 或 DGX Spark 上,正是这个构建能让 27B 多模态模型舒适地装下,并为长上下文留出空间。

• 草稿模型 — RadixArk/Qwen3.8-27B-DSpark,是用于 SGLang 的推测解码草稿模型,而 SGLang 是该卡推荐的服务路径。参考配置在四 GPU 节点上以张量并行度 1 运行四个数据并行副本,上下文长度为 262,144 个 token,并使用 FP8 KV 缓存。

在硬件方面,RadixArk 列出了 H200、B200 和 GB300 上的单 GPU 部署方案,以及 RTX PRO 6000、RTX 5090 和 DGX Spark。规格卡上任何地方都没有公布吞吐量或每秒 token 数,这对任何要规划部署规模的人来说都是一个实实在在的缺口:那个能告诉你 DSpark 是否值得多花一块 GPU 的关键数字却缺失了。

可用性,以及定价问题

没有 RadixArk 托管的 API 价格可供报价。该公司的网站描述了为其他实验室提供服务和训练,并未发布 DaisyRose 端点,而模型卡只指向通过 SGLang、vLLM 和 Docker 进行自托管。第三方列表确实存在:我们在发布时看到的一个列表报价为每百万输入 token 0.15 美元、每百万输出 token 1.88 美元,这是第三方托管商的价格,而非供应商标价,应被视为某一家托管商的初始报价,而不是市场价格。

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.

截至撰写本文时,DaisyRose 27B 本身并未出现在 OrcaRouter 的目录中,我们也不会暗示并非如此。其基础模型是:Qwen3.8-27B 通过 qwen/qwen3.8-27b 提供服务,这是 A​libaba 自有的开放权重构建,价格为 每百万输入 token 0.33 美元,每百万输出 token 2.40 美元,具有 262,144 token 的上下文,并保留后训练版本所用的同一视觉塔。对于任何评估此版本的人来说,这一点很重要,因为要检验 12 分的 Terminal Bench 提升是否值得搭建一台 H200,最便宜的方法就是先在相同提示词上通过 API 运行基础模型并进行比较。它还提供了一条回退路径:如果自托管的 DaisyRose 部署在任务中途崩溃,基础模型位于同一密钥之后,自动 故障转移规则可以将请求交给它,而不是让调用失败。

怎样才能了结此事?

本次发布中没有任何内容经过独立运行。DaisyRose 27B 在 Artificial Analysis 上没有条目,Terminal Bench 排行榜上也没有第三方评测框架,而 RadixArk 自己的对比中的跨模型行所依据的是其他方已发布的数据,并非并排运行所得的结果。模型卡对这一切的说明异常明确,这值得肯定,但明确的来源说明并不能让一个数字变得独立。

有两件事值得关注。第一件是在公开评测框架(harness)上复现 Terminal Bench 4.1:5.6 到 12.0 是整个发布所依赖的说法,而这种跃升也可能由评测框架差异造成。第二件是 DeepSWE:尽管训练数据是智能体软件工程(agentic software engineering),该模型仍落后 Inkling 2 Small 26 分。如果 4.1 的提升能够复现,而 DeepSWE 的差距没有缩小,那么结论就是:仅用强化学习进行后训练,能教会模型使用终端,却没有教会它推理代码库——而这比任何单一头条分数都更具体、也更有用。

本文中的对比2

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新