RadixArk выпустила DaisyRose-27B: Terminal-Bench 4.1 вырос с 5,6% до 12,0%

RadixArk представила DaisyRose-27B, свою первую модель. Она построена на Qwen3.8-27B и дообучена обучением с подкреплением с помощью открытого фреймворка Miles. Обучение шло на длинных агентных задачах: сессии доходили до 1 млн токенов, обучающая выборка составила около 1200 отобранных задач, на обучение ушло 18 дней на 144 GPU H200. По данным компании, показатель pass@1 на Terminal-Bench 4.1 вырос с 5,6% у исходной Qwen3.8-27B до 12,0%. Кроме того, как утверждает RadixArk, DaisyRose-27B набирает больше исходной модели на каждом бенчмарке из диаграммы поста (Terminal Bench 2.1, DeepSWE v1.1, SWE Bench Pro v2, HLE, IFBench, GPQA Diamond); самый большой прирост на Terminal Bench 4.1. Сами диаграмма и размеры прироста на остальных тестах в тексте не приведены. Чекпоинты опубликованы в форматах BF16, FP8 и NVFP4, скачать модель можно с Hugging Face.
Компания называет три составляющих успеха. Первая, данные. Задачи сделаны совместно с Eigent AI на основе её большого набора задач по машинному обучению, программной инженерии, науке и другим областям. Из тысяч кандидатов в итоговую выборку попало около 1200. Критерии отбора такие: каждая задача нацелена на ошибку, которую делает исходная модель (RadixArk прогнала Qwen3.8-27B на каждой задаче, переделала их и подстроила сложность так, чтобы доля решений была ни слишком высокой, ни слишком низкой); каждая задача, длинная работа из цепочки взаимосвязанных подзадач, на одну попытку в песочнице отводится до 1,5 часа, более 100 вызовов инструментов и более 256 тыс. выходных токенов; задачи проверены на взлом награды (reward hacking), те, что можно пройти без настоящего решения или с изъянами в постановке, исправляли или убирали до обучения.
Вторая составляющая, эффективный обучающий бэкенд. Обучение шло в полностью асинхронном режиме: 128 GPU H200 гоняют агента на задачах, ещё 16 обучают модель на траекториях, после каждого шага обновлённая модель рассылается на 128 GPU. Само обучение выполняет внутренний бэкенд RadixArk, а не открытый тренер. По словам компании, на этом релизе 37% пиковой вычислительной мощности GPU уходило на полезную работу (MFU), тогда как открытый тренер на базе Megatron на сопоставимых запусках достигал 16%; отсюда заявленное снижение затрат GPU-времени на 57%. На моделях типа «смесь экспертов» выигрыш выше: 6,2 раза на Qwen3.6-35B-A3B и более чем в 10 раз на GLM-5.3-Flash (около 300 млрд параметров). С учётом времени, которое агент тратит на задачи, релизный запуск обрабатывал около 16 800 токенов в секунду на 144 GPU против примерно 8300 у открытого тренера, то есть вдвое быстрее. Релизный запуск шёл неделями и занял 63 000 GPU-часов, скорость и эффективность за это время держались стабильно.
Третья составляющая, надёжные песочницы. Каждая попытка агента выполняется в песочнице: свежей копии среды задачи, где агент запускает команды, правит файлы, а затем проходит проверку. Всё это работало на собственном сервисе RadixArk на основе открытого проекта AgentENV, в который компания вносит исправления. С середины сентября по середину ноября сервис запустил около 944 000 песочниц для проекта, до 1566 одновременно. Сервис вырос с одной машины до 12, к нему выпустили десять обновлений, почти все, во время обучения. За все девять недель успешно создавались 99% песочниц, а с конца октября, более 99,95%. По словам компании, стоимость облачной инфраструктуры для песочниц оказалась примерно на 80% ниже, чем при запуске тех же песочниц у популярных облачных провайдеров; один из приёмов, память песочницы растёт и сжимается по фактическому использованию, поэтому на одной машине помещается больше песочниц.
RadixArk предлагает обучать собственных агентов на Miles и говорит, что несёт этот подход командам, создающим специализированные модели, стараясь улучшать нужные им способности и сохранять общие сильные стороны модели. Авторы благодарят Eigent AI, команду Qwen, сообщества Miles и SGLang, а также проекты slime, AgentENV и Harbor.
Ключевые факты
- DaisyRose-27B, первая модель RadixArk на базе Qwen3.8-27B, дообученная с подкреплением (Miles) на агентных задачах с сессиями до 1 млн токенов; веса доступны на Hugging Face в BF16, FP8 и NVFP4.
- По данным компании, pass@1 на Terminal-Bench 4.1 вырос с 5,6% до 12,0% (среднее по 8 запускам на задачу, внутренняя оснастка mini-swe-agent с суммаризацией); на остальных бенчмарках из поста модель тоже выше исходной, но величины прироста в тексте не приведены.
- Обучение: около 1200 отобранных задач, подготовленных вместе с Eigent AI, 18 дней на 144 GPU H200 (128 на инференс агента, 16 на тренер) в асинхронном режиме.
- Заявленная эффективность внутреннего бэкенда: MFU 37% против 16% у открытого тренера на Megatron, на 57% меньше GPU-времени и вдвое выше сквозная скорость (около 16 800 против 8300 токенов в секунду).
- Песочницы: около 944 000 запусков, до 1566 одновременно, успех создания 99% (более 99,95% с конца октября), стоимость примерно на 80% ниже популярных облачных провайдеров.
Почему это важно
Пост показывает, как небольшая команда пытается улучшить среднюю по размеру открытую модель на длинных агентных задачах при ограниченных вычислениях: 144 GPU H200 и около 1200 тщательно подобранных задач. Центральный довод RadixArk, прирост даёт не размер данных, а их качество (задачи бьют в конкретные ошибки базовой модели и проверены на взлом награды) плюс эффективная инфраструктура обучения и песочниц. Результат на Terminal-Bench 4.1, рост с 5,6% до 12,0%, по абсолютной величине скромный, но компания называет этот бенчмарк очень сложным и долгим.
Кому это важно
Командам, которые дообучают открытые модели под агентные сценарии и считают стоимость GPU-времени и песочниц. Разработчикам, выбирающим фреймворк для обучения с подкреплением: Miles открыт, а вокруг проекта названы SGLang, slime, AgentENV и Harbor. Тем, кто ищет компактную модель 27B для агентных задач: доступны веса в BF16, FP8 и NVFP4. Компании, которые хотят специализированную модель, RadixArk приглашает написать на указанную в посте почту.
Как это применить
Модель можно скачать с Hugging Face в форматах BF16, FP8 и NVFP4; фреймворк Miles для обучения с подкреплением открыт, им можно воспользоваться для собственных агентов. Из подхода можно перенять приёмы подготовки задач: прогнать базовую модель по каждой задаче, подогнать сложность так, чтобы решаемость была средней, строить задачи как цепочку зависимых подзадач и вручную проверять, что их нельзя пройти обходным путём. Условия лицензии на веса в тексте не указаны, поэтому перед использованием стоит проверить карточку модели.
Можно ли доверять
Это материал самой RadixArk, и все цифры, её собственные: независимых проверок в тексте нет, диаграмма с остальными бенчмарками в пересказ не попала, а величины прироста на них не названы. Условия оценки при этом описаны: Terminal-Bench 4.1 усреднён по 8 запускам на задачу с внутренней оснасткой mini-swe-agent, у остальных тестов указаны своя оснастка и число запусков. Сравнения по затратам даны против открытого тренера на Megatron на сопоставимых запусках и против неназванных облачных провайдеров песочниц. Пост не говорит, конкурентоспособны ли 12,0% по сравнению с другими моделями, а только то, что это выше 5,6% у базовой модели. Есть и неувязка в сроках: во введении сказано 18 дней обучения, а ниже, что запуск шёл неделями на 63 000 GPU-часов; текст эти формулировки не согласует.
Риски и подводные камни
Абсолютный результат невысок: 12,0% pass@1 означает, что большинство задач Terminal-Bench 4.1 модель по-прежнему не решает. Выигрыш измерен на внутренней оснастке с суммаризацией, поэтому на другой оснастке итог может отличаться. Заявленные 57% экономии GPU-времени и вдвое более высокая скорость получены на внутреннем бэкенде RadixArk, а он в посте не назван открытым: открыт фреймворк Miles, а обучение шло на внутреннем бэкенде. Экономия в 80% на песочницах сравнивается с неназванными провайдерами и не обязательно повторится у других команд. Цена обучения в деньгах и лицензия весов в тексте не указаны.