A RadixArk publicou o DaisyRose-27B no Hugging Face, o primeiro modelo da empresa. Ele parte do Qwen3.8-27B e foi treinado com reinforcement learning para dar conta de trabalho de agente de longa duração, com sessões de até 1M de tokens.
O que foi liberado
Os checkpoints estão disponíveis nos formatos BF16, FP8 e NVFP4, com licença Apache 2.0. O modelo mantém a arquitetura, o tokenizador, o template de chat, a compreensão de imagens e a janela de contexto de 256K tokens da base. As sessões de treino mais longas foram montadas a partir de várias trajetórias, unidas por resumos feitos pelo harness do agente.
A RadixArk recomenda servir o modelo com SGLang e decodificação especulativa DSpark, e indica um cookbook do SGLang com configurações de inicialização para diferentes GPUs e formatos de checkpoint. Com o servidor no ar, basta chamá-lo pelo cliente Python padrão da OpenAI. Por padrão, o modelo raciocina antes de responder e devolve o raciocínio e a resposta final em campos separados.
Resultados informados
Segundo a RadixArk, o DaisyRose-27B supera o Qwen3.8-27B em todos os benchmarks listados:
- Terminal Bench 4.1: de 5,6 para 12,0
- Terminal Bench 2.1: de 73,0 para 75,5
- DeepSWE v1.1: de 42,2 para 46,2
- SWE Bench Pro v2: de 91,3 para 94,7
- IFBench: de 79,5 para 82,4
- GPQA Diamond: de 89,2 para 90,7
- HLE (somente texto): de 33,9 para 34,3
Para cada benchmark, a empresa reporta o melhor resultado entre as execuções em BF16 e FP8 e diz que a diferença entre as duas fica abaixo de um ponto onde ambas foram medidas. São números do próprio fornecedor; a fonte não cita nenhuma avaliação independente.
Como foi o treinamento
O conjunto de treino reúne cerca de 1.200 tarefas, montadas com a Eigent AI a partir de milhares de candidatas. Cada tarefa foi redesenhada em torno de um erro que o modelo base comete, exige várias etapas dependentes e passou por revisão para que não seja possível concluí-la sem resolver o problema de verdade. Cada tentativa tem até 1,5 hora em um sandbox.
O treino durou 18 dias em 144 GPUs H200, sendo 128 para executar os agentes e 16 para o trainer, em uma configuração totalmente assíncrona. A RadixArk afirma que seu backend interno chegou a 37% de utilização de FLOPs do modelo, contra 16% do trainer de código aberto, o que ela traduz em 57% menos tempo de GPU. A execução somou 63.000 horas de GPU.
O serviço de sandbox rodou cerca de 944.000 sandboxes entre meados de setembro e meados de novembro, com pico de 1.566 simultâneos. A RadixArk informa taxa de sucesso de criação acima de 99% e custos de nuvem cerca de 80% menores que os de provedores populares de sandbox. Os números do backend de treino e do serviço de sandbox descrevem a infraestrutura da própria RadixArk; neste anúncio, o artefato liberado são apenas os pesos do modelo.
O que verificar
A RadixArk pede que os usuários relatem resultados em suas próprias tarefas, inclusive as falhas, na aba Community do modelo. É o teste certo: os ganhos foram medidos em benchmarks de programação, terminal e raciocínio, e a fonte não diz nada sobre cargas de trabalho de vendas, suporte ou back-office.