RadixArk опубликовала DaisyRose-27B на Hugging Face - это первая модель компании. Она построена на Qwen3.8-27B и обучена с подкреплением работать в длинных агентных сценариях: сессии достигают 1 млн токенов.
Что выпущено
Чекпойнты доступны в форматах BF16, FP8 и NVFP4 под лицензией Apache 2.0. От базовой модели сохранились архитектура, токенизатор, шаблон чата, понимание изображений и контекстное окно в 256K токенов. Более длинные обучающие сессии собирали из нескольких траекторий: агентная оболочка сжимала предыдущие шаги в краткое изложение.
RadixArk советует запускать модель через SGLang со спекулятивным декодированием DSpark и ссылается на cookbook SGLang с настройками запуска для разных GPU и форматов чекпойнтов. Когда сервер поднят, к нему можно обращаться стандартным клиентом OpenAI для Python. По умолчанию модель сначала рассуждает, а затем отвечает, причём рассуждение и итоговый ответ приходят в разных полях.
Заявленные результаты
По данным RadixArk, DaisyRose-27B обходит Qwen3.8-27B во всех бенчмарках из своего списка:
- Terminal Bench 4.1: с 5,6 до 12,0
- Terminal Bench 2.1: с 73,0 до 75,5
- DeepSWE v1.1: с 42,2 до 46,2
- SWE Bench Pro v2: с 91,3 до 94,7
- IFBench: с 79,5 до 82,4
- GPQA Diamond: с 89,2 до 90,7
- HLE (только текст): с 33,9 до 34,3
По каждому бенчмарку компания приводит лучший из прогонов BF16 и FP8 и сообщает, что там, где измеряли оба, они расходятся меньше чем на один пункт. Это собственные цифры вендора, независимых оценок в источнике нет.
Как обучали
Обучающий набор - примерно 1200 задач, которые вместе с Eigent AI отобрали из тысяч кандидатов. Каждую задачу переработали вокруг ошибки, которую совершает базовая модель. Она требует нескольких зависимых шагов, а проверка исключает прохождение без настоящего решения проблемы. На каждую попытку в песочнице отводится до 1,5 часа.
Обучение шло 18 дней на 144 GPU H200: 128 запускали агентов, 16 отвели под тренер, схема полностью асинхронная. RadixArk говорит, что её внутренний бэкенд вышел на 37% загрузки FLOPs модели против 16% у open-source тренера, а это даёт на 57% меньше GPU-времени. Весь прогон занял 63 000 GPU-часов.
Сервис песочниц с середины сентября до середины ноября запустил около 944 000 песочниц, до 1566 одновременно. Доля успешных созданий, по словам RadixArk, выше 99%, а облачные расходы примерно на 80% ниже, чем у популярных провайдеров песочниц. Цифры про тренировочный бэкенд и сервис песочниц описывают собственную инфраструктуру RadixArk. В этом анонсе опубликованы только веса модели.
Что проверить
RadixArk просит пользователей присылать результаты на собственных задачах, включая неудачи, во вкладку Community на странице модели. Это правильный тест: прирост измерен на бенчмарках по программированию, работе в терминале и рассуждениям, а о задачах продаж, поддержки и бэк-офиса источник ничего не говорит.