
DaisyRose 27B:18 天的強化學習,且未進行監督式微調
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 187 tok/s
- openai新OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 每百萬 tokens · 87 tok/s
- openai新OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 每百萬 tokens · 152 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 194 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百萬 tokens · 86 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 705 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 每百萬 tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 101 tok/s
RadixArk 的 DaisyRose 27B 是 Qwen3.8-27B 的後訓練模型,且只透過強化學習打造——沒有經過監督式微調,也沒有從更大的教師模型進行蒸餾——而最能說明這帶來什麼的兩行基準測試結果,就在它自己的模型卡上相隔四行。在 Terminal Bench 4.1 上,該模型相較其基礎模型從 5.6 提升到 12.0,成長超過一倍。在 DeepSWE v1.1 上,它從 42.2 提升到 46.2,增加四點。一行結果顯示,這套配方教會了模型某件它原本完全做不到的事;另一行則顯示,對於它原本就會做的大部分事情,它的表現和以前差不多。RadixArk 於 2026 年 11 月 18 日以 Apache 2.0 授權發布權重與配方,而對這次發布最誠實的解讀是:這兩行結果同時都是真的。
這是一次發布,而且是最近的一次——撰寫本文時,部落格文章與 Hugging Face 模型卡才剛發布三天。以下內容是 RadixArk 的說法、其中哪些部分目前可以查證,以及這些數字從何而來。
實際訓練的是什麼
基礎模型是 Qwen3.8-27B,架構維持不變:相同的分詞器、相同的對話範本、相同的視覺塔、相同的 262,144 個 token 上下文。RadixArk 將 DaisyRose 27B 描述為該基礎模型的可直接替換版本,而這是一項關於相容性、而非品質的主張——現有的提示、圖像輸入與服務設定皆無需修改即可沿用。
• 總參數量 — 27.8B,其中 0.46B 為視覺編碼器,0.42B 為多詞元預測頭。
• 訓練訊號——僅有強化學習。RadixArk 表示,這次訓練並未使用監督式微調,也未使用蒸餾,這在這樣的規模下並不常見;多數 27B 的公開後訓練都會先進行一輪 SFT,再用 RL 加以精進。
• 環境 — 約 1,200 個精選的長時程代理任務,由 Eigent AI 建構,旨在將多個問題串聯起來,並能抵抗獎勵駭客行為。工作階段執行長達一百萬個 token,而這個數字說明了其餘設定:如此長的任務需要一個能持續存活數小時的沙箱。
• 運算 — 在 144 張 H200 上耗時 18 天,其中 128 張用於推論、16 張用於訓練器,全程非同步執行,約 63,000 GPU 小時。訓練器是 Miles 框架。
• 沙箱——在整個執行期間約有 944,000 個,尖峰時同時有 1,566 個,十月底的建立成功率超過 99.95%。RadixArk 表示,該基礎設施的費用比其所稱熱門雲端沙箱的收費低約 80%。
128/16 這個分配比例值得停下來思考。在非同步強化學習迴圈中,推論機群會為長時間的代理工作階段產生 rollout,而訓練器則消耗已完成的軌跡,因此這個比例說明了每次 rollout 相對於一次梯度步驟需要多久。這也是為什麼 RadixArk 的效率主張是以實際耗時、而非 FLOPs 來表述:這次執行在十八天內完成,相較之下,GPU 的數量並不突出。
基準表,連同其腳註一併閱讀
RadixArk 以 Qwen3.8-27B 為基準,報告了七項基準測試,並逐項說明每項測試的執行次數、使用哪個測試框架,以及採用哪些取樣設定。這種註腳做法比大多數發布資料做得更多,也正是下方數字得以相互比較的原因。這些數字仍由廠商自行執行,且 RadixArk 之外無人重現過。
• Terminal Bench 4.1 — 12.0,基準為 5.6。每項任務在啟用摘要功能的內部 mini-swe-agent 測試框架上執行八次。跨模型比較中沒有 4.1 項目的模型,以其 4.0 分數替代。
• Terminal Bench 2.1 — 75.5 對上 73.0。每項任務執行五次,採用 Terminus 2 測試框架。這裡的提升不到三分,這與 4.1 那一列的印象相反:2.1 套件正是基礎模型原本就擅長的。
• DeepSWE v1.1 — 46.2 對上 42.2。八次執行,mini-swe-agent。
• SWE Bench Pro v2 — 94.7 對 91.3。五次執行、mini-swe-agent、全部 642 項任務。部分受比較的模型僅回報 Hard 子集,因此此列在各欄之間並非同基準比較。
• HLE,僅文字 — 34.3 對 33.9。每題執行五次,不使用工具,由 GPT-6 Luna 評分。
• IFBench — 82.4 對上 79.5。以官方 allenai 評分器在 300 個提示上執行四次,採嚴格的提示層級準確率,排除思考內容。
• GPQA Diamond — 90.7 對 89.2。在 198 道題目上執行八次,採用 simple-evals 範本,每次皆重新打亂答案順序。

該表格有兩項特性比任何單一列都更重要。第一,每個 DaisyRose 分數都是其 BF16 與 FP8 執行結果中較好者;RadixArk 表示兩者相差不到一分——差距雖小,但這意味著公布數字是兩者取最佳,而非平均值。第二是取樣設定:temperature 1.0、top_p 0.95、top_k 20、reasoning effort xhigh。高努力與高溫度是為了最大化代理任務分數而選的配置,讀者若以預設設定執行,應預期結果會低於表格所示。
在並非領導者的情況下
模型卡將 DaisyRose 27B 與另外七個系統相比,結果並非一面倒全勝——而這正是這張表格最有用之處,因為那些失利具有啟發性。
• Terminal Bench 4.1 — MiMo V2.6 Flash 得分 16.1,Inkling 2 Small 得分 13.0,GPT-6 Luna 得分 15.2,皆高於 DaisyRose 的 12.0。Muse Glimmer-30B 在同一測試框架下得分 0.5,Qwen3.6-35B-A3B 得分 0.0。
Terminal Bench 2.1 — MiMo V2.6 Flash 以 87.6、Inkling 2 Small 以 81.3 雙雙領先;Muse Spark Open 則以 76.4 緊隨其後。
• DeepSWE v1.1 — Inkling 2 Small 72.1、MiMo V2.6 Flash 67.9 與 GPT-6 Luna 66.6,對上 DaisyRose 的 46.2。這是整張卡上差距最大的一場敗仗,而且就落在與訓練分佈最為相似的基準測試上。
• HLE 純文字 — Inkling 2 Small 44.1 與 Muse Spark Open 43.9,相較之下為 34.3。
• GPQA Diamond — Inkling 2 Small 93.0、Beam 1.0 90.6、GPT-6 Luna 90.5、DaisyRose 90.7。頂尖表現幾乎不相上下。
• IFBench — DaisyRose 82.4 是這張卡片上最高的數字;競爭對手的列中都沒有數字。
這個模式顯示的是,27.8B 稠密模型在指令遵循上勝出,在研究生程度的科學領域仍能站穩腳跟,卻在深度軟體工程任務上輸給規模大得多的稀疏模型。MiMo V2.6 Flash 在 309B 中啟用 15B,Inkling 2 Small 在 594B 中啟用 17B,所以這是 27B 稠密模型與儲存參數多達二十倍、以路由方式運作的模型相比。輸給那些模型並不是這套配方失敗;這說明的是 27B 能縮小多少差距。

37% MFU 說法及其衡量的是什麼
RadixArk 的部落格開篇主打訓練效率,而非模型本身;就這家公司所販售的內容而言,這是合理的解讀——它是一家為其他實驗室提供 SGLang 部署服務的基礎設施公司——但這也讓效率數字比一行基準測試成績更難定價。
該說法是:其內部後端的模型 FLOPs 利用率為 37%,相較於基於 Megatron 的開源訓練器的 16%,並被描述為訓練成本降低 57%、端到端速度提升 2 倍。目前沒有公布 Megatron 基線的配置:沒有並行方案、沒有序列長度、沒有批次大小。16% 的 MFU 數字對於樸素的稠密訓練迴圈來說是合理的,對於經過良好調校的訓練迴圈則不合理,因此「成本降低 57%」的誠實定位是:那是與未指明訓練器的未具名配置所作的比較,而且是由打造替代方案的一方所測量。
相較之下,63,000 GPU 小時是一個具體數字,而且可以用實際經過時間來做合理性核對:144 顆 GPU 跑 18 天是 62,208 GPU 小時,兩者相符。因此,這次執行在機器時間上的成本,與 RadixArk 所說的一致。效率主張額外附加的,則是關於那段機器時間對其他人而言會花費多少成本的陳述,而這部分尚未經過驗證。
你可以下載什麼,以及提供服務需要哪些條件
RadixArk 發布了三種精度的權重,全部採用 Apache 2.0 授權,全部放在 Hugging Face 上,另外還有一個推測解碼用的草稿模型。
• BF16 — 約 52 GB。完整精度,亦是重現此卡數據的參考。
• FP8 — 約 29 GB。此建置可執行 RadixArk 自家的 serving 範例,並使用 FP8 KV 快取。
• NVFP4 — 約 23 GB,且僅支援 Blackwell。在 RTX 5090 或 DGX Spark 上,這個版本能讓 27B 多模態模型舒適地放得下,還留有長上下文的餘裕。
• Drafter — RadixArk/Qwen3.8-27B-DSpark,這是 SGLang 的推測性解碼草稿模型,而 SGLang 正是模型卡所建議的服務路徑。參考配置會在四 GPU 節點上以張量平行度 1 執行四個資料平行副本,並使用 262,144 個權杖的上下文與 FP8 KV 快取。
就硬體而言,RadixArk 列出可在 H200、B200 與 GB300 上進行單 GPU 部署,另外還有 RTX PRO 6000、RTX 5090 與 DGX Spark。產品卡上完全沒有公布任何吞吐量或每秒 token 數的數據,這對任何要規劃部署規模的人來說都是真正的缺口:那個能告訴你 DSpark 是否值得多花一張 GPU 的數字,缺失了。
供應情況與定價問題
目前沒有 RadixArk 託管的 API 價格可供報價。該公司的網站說明其為其他實驗室提供服務與訓練,並未公布 DaisyRose 端點,而模型卡僅指向透過 SGLang、vLLM 和 Docker 自行託管。第三方刊載的資訊確實存在:我們在發布時看到的一則資訊報價為每百萬輸入 token 0.15 美元、每百萬輸出 token 1.88 美元,但這是第三方主機商的數字,而非供應商的定價,應視為某一主機商的初始報價,而非市場行情。

撰寫本文時,DaisyRose 27B 本身並未收錄於 OrcaRouter 的目錄中,我們也不會暗示相反的情況。它的基礎模型是:Qwen3.8-27B 以 qwen/qwen3.8-27b 的形式提供,這是 Alibaba 自家的開放權重版本,價格為 每百萬輸入 token 0.33 美元、每百萬輸出 2.40 美元,具備 262,144 token 的上下文,以及與後訓練版本相同的視覺塔。對任何評估此次發布的人來說,這點很重要,因為要測試 Terminal Bench 提升 12 分是否值得架設一台 H200,最便宜的方式就是先透過 API 以相同提示詞執行基礎模型並進行比較。它也提供了一條退路:如果自架的 DaisyRose 部署在任務中途故障,基礎模型就在同一把金鑰之下,而自動的 容錯移轉 規則可以將請求交給它,而不是讓呼叫失敗。
什麼能讓這件事定下來?
這個版本中沒有任何項目經過獨立執行。Artificial Analysis 沒有 DaisyRose 27B 的條目,Terminal Bench 排行榜上沒有第三方測試框架,而 RadixArk 自家比較中的跨模型橫列,引用的是其他各方已公布的數據,而非同場並行執行的結果。模型卡對這一切異常明確,這點值得肯定,但明確標示來源並不會讓數字變得獨立。
有兩件事值得觀察。第一是在公開評測框架上重現 Terminal Bench 4.1:整個發布所仰賴的主張,就是從 5.6 提升到 12.0,而這正是評測框架差異也可能造成的躍升。第二是 DeepSWE:儘管訓練資料是代理式軟體工程,模型仍落後 Inkling 2 Small 26 分。如果 4.1 的增益能夠重現,而 DeepSWE 的差距沒有縮小,那麼結論會是:僅用 RL 的後訓練教會了模型使用終端機,卻沒有教會它推理程式碼庫——而這會是比任何單一頭條分數都更具體、也更有用的發現。
本文中的比較2
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
