RadixArk ha publicado DaisyRose-27B en Hugging Face, el primer modelo de la compañía. Parte de Qwen3.8-27B y se entrenó con aprendizaje por refuerzo para trabajo de agente de larga duración, con sesiones de hasta 1M de tokens.
Qué se publica
Los checkpoints están disponibles en formatos BF16, FP8 y NVFP4 con licencia Apache 2.0. El modelo conserva la arquitectura, el tokenizador, la plantilla de chat, la comprensión de imágenes y la ventana de contexto de 256K tokens del modelo base. Las sesiones de entrenamiento más largas se armaron uniendo varias trayectorias mediante resúmenes hechos por el arnés del agente.
RadixArk recomienda servirlo con SGLang y decodificación especulativa DSpark, y remite a un cookbook de SGLang con ajustes de arranque para distintas GPU y formatos de checkpoint. Con el servidor en marcha, se le puede llamar con el cliente estándar de OpenAI para Python. Por defecto el modelo razona antes de responder y devuelve el razonamiento y la respuesta final en campos separados.
Resultados declarados
Según RadixArk, DaisyRose-27B supera a Qwen3.8-27B en todos los benchmarks que enumera:
- Terminal Bench 4.1: de 5,6 a 12,0
- Terminal Bench 2.1: de 73,0 a 75,5
- DeepSWE v1.1: de 42,2 a 46,2
- SWE Bench Pro v2: de 91,3 a 94,7
- IFBench: de 79,5 a 82,4
- GPQA Diamond: de 89,2 a 90,7
- HLE (solo texto): de 33,9 a 34,3
La empresa informa, para cada benchmark, el mejor resultado entre las ejecuciones en BF16 y FP8, y afirma que ambas difieren en menos de un punto donde se midieron las dos. Son cifras del propio proveedor; no se cita ninguna evaluación independiente.
Cómo se entrenó
El conjunto de entrenamiento fue de unas 1.200 tareas, construidas junto con Eigent AI a partir de miles de candidatas. Cada tarea se rediseñó en torno a un error que comete el modelo base, exige varios pasos dependientes y fue revisada para que no pueda aprobarse sin resolver el problema real. Cada intento dispone de hasta 1,5 horas en un sandbox.
El entrenamiento duró 18 días en 144 GPU H200: 128 para ejecutar agentes y 16 para el entrenador, en una configuración totalmente asíncrona. RadixArk dice que su backend interno alcanzó un 37 % de utilización de FLOPs del modelo frente al 16 % del entrenador de código abierto, lo que traduce en un 57 % menos de tiempo de GPU. En total, la ejecución sumó 63.000 horas de GPU.
El servicio de sandboxes lanzó cerca de 944.000 sandboxes entre mediados de septiembre y mediados de noviembre, con picos de 1.566 simultáneos. RadixArk informa de una tasa de éxito en la creación superior al 99 % y de costes de nube un 80 % por debajo de los proveedores de sandboxes más populares. Las cifras del backend de entrenamiento y del servicio de sandboxes describen la infraestructura propia de RadixArk; en este anuncio solo los pesos del modelo son el artefacto publicado.
Qué conviene comprobar
RadixArk pide a los usuarios que comuniquen resultados con sus propias tareas, fallos incluidos, en la pestaña Community del modelo. Es la prueba adecuada: las mejoras se miden en benchmarks de programación, terminal y razonamiento, y la fuente no dice nada sobre cargas de trabajo de ventas, soporte o administración.