DaisyRose-27B - первая модель RadixArk. Её собрали на базе Qwen3.8-27B и дообучили через reinforcement learning на длинных агентных задачах, где сессия доходит до 1M токенов. Обучение заняло 18 дней на 144 GPU H200, а весь датасет - около 1 200 отобранных задач, подготовленных совместно с Eigent AI. По поведению это та же Qwen3.8-27B, но с другими привычками в многошаговой работе с инструментами. Детали RadixArk выложила в блоге релиза на Hugging Face.
Главная цифра - Terminal-Bench 4.1: pass@1 поднялся с 5,6% до 12,0%, больше чем вдвое. Абсолютные 12% всё ещё мало, и это важный контекст: модель стала заметно лучше там, где раньше проваливалась, но до надёжного терминального агента ей далеко. При этом она обходит базовую Qwen3.8-27B на каждом бенчмарке из таблицы релиза: Terminal Bench 2.1, DeepSWE v1.1, SWE Bench Pro v2, IFBench, GPQA Diamond и HLE (text-only).
Архитектуру, токенизатор, chat template, понимание изображений и контекстное окно 256K токенов модель наследует от Qwen3.8-27B. Чекпоинты выложены в трёх форматах, BF16, FP8 и NVFP4, под лицензией Apache 2.0. Новой архитектуры здесь нет: это файнтюн поверх готовой базы, поэтому шаблоны, интеграции и привычные способы запуска Qwen3.8-27B работают так же.
Бенчмарки DaisyRose-27B: где прирост реальный, а где в пределах шума
Все цифры ниже взяты из таблицы релиза, и сравнение в ней идёт только с базовой Qwen3.8-27B. Других моделей того же класса в таблице нет, поэтому «лучше базы» здесь не значит «лучше всех».
| Бенчмарк | Qwen3.8-27B | DaisyRose-27B | Разница, пунктов |
|---|---|---|---|
| Terminal Bench 4.1, pass@1 | 5,6 | 12,0 | +6,4 |
| Terminal Bench 2.1 | 73,0 | 75,5 | +2,5 |
| DeepSWE v1.1 | 42,2 | 46,2 | +4,0 |
| SWE Bench Pro v2 | 91,3 | 94,7 | +3,4 |
| IFBench | 79,5 | 82,4 | +2,9 |
| GPQA Diamond | 89,2 | 90,7 | +1,5 |
| HLE (text-only) | 33,9 | 34,3 | +0,4 |
Разброс прироста показателен. Terminal Bench 4.1 вырос в 2,1 раза относительно базы, DeepSWE v1.1 прибавил 4 пункта на среднем старте, а насыщенные SWE Bench Pro v2 и GPQA Diamond двигаются в пределах нескольких пунктов просто потому, что стартовали высоко. HLE (text-only) прибавил 0,4 пункта: такой сдвиг сопоставим с разбросом между прогонами, поэтому говорить об улучшении общих знаний и научных рассуждений по этой цифре нельзя.
Методология подсчёта тоже влияет на восприятие. RadixArk публикует лучший результат из прогонов BF16 и FP8 по каждому бенчмарку, а там, где оценены оба формата, разница между ними меньше одного пункта. Это значит, что таблица отражает верхнюю границу, а не усреднённое поведение конкретного чекпоинта.
Почему Terminal-Bench 4.1 вырос сильнее остальных
Профиль обучающих задач совпадает с тем, что проверяет терминальный бенчмарк. Каждая попытка в песочнице получает до 1,5 часа, более 100 вызовов инструментов и более 256K выходных токенов. Это длинная цепочка команд, разбор вывода, исправление собственных ошибок и доведение задачи до проверяемого результата. Terminal Bench 4.1 устроен похоже, поэтому прирост там наибольший.
Причинность в релизе не доказывается, и это стоит держать в голове. Согласованность данных с такой трактовкой есть, строгого эксперимента с изоляцией факторов нет.
Как читать pass@1 и почему «лучший из прогонов» важен
pass@1 - доля задач, решённых с первой попытки, без права на пересдачу. Метрика жёсткая: она наказывает за любую расплывчатую формулировку и за один неверный вызов инструмента в середине траектории. Поэтому 5,6% у базы и 12,0% у DaisyRose-27B описывают не «общий интеллект», а способность довести до конца конкретный тип терминальной задачи.
Выбор формата чекпоинта при таком разбросе почти не влияет на результат: разница BF16 и FP8 меньше пункта. Ориентируйтесь на память и скорость, а не на десятые доли в таблице. Подробный разбор методики сравнения метрик и условий запуска есть в материале про замеры DeepSeek V4 Flash, Qwen3.8 Flash Next и Qwen3.8-27B на четырёх DGX Spark.
Как обучали DaisyRose-27B: 1 200 задач, Miles и песочницы AgentENV
RadixArk называет три части установки, без которых релиз не состоялся: продуманные задачи, эффективный тренировочный бэкенд и надёжные песочницы. Объём данных при этом смешной по меркам обычного SFT: около 1 200 задач на 18 дней обучения.
Стартовой точкой стал большой пул задач Eigent AI в machine learning, software engineering, науке и других областях. Совместно построили тысячи кандидатов, в финальный набор прошло примерно 1 200. Сложность подкручивали до тех пор, пока solve rate не попадал в полезный для обучения диапазон: слишком простые задачи не дают сигнала, слишком сложные дают нулевой reward и тратят GPU-часы впустую.
Три критерия отбора задач: против конкретных ошибок модели
Первый критерий: задача нацелена на конкретную ошибку, которую допускает исходная модель. Не «сложная тема», а воспроизводимый провал Qwen3.8-27B в понятных условиях. Второй: нужна цепочка взаимозависимых шагов, где результат одного шага определяет следующий. Третий: задача должна вознаграждать фактическое выполнение в среде, а не правдоподобный текст в ответе.
Логика переносится на любой собственный агентный файнтюн. Сначала прогон базовой модели по своим сценариям, потом переработка задач именно под найденные провалы, затем калибровка сложности. Датасет из 100 задач, собранных под реальные ошибки, полезнее десяти тысяч случайных.
Miles, AgentENV и harness summarization - что это даёт на практике
Miles - фреймворк reinforcement learning, на котором обучали модель; в релизе он назван частью установки наравне с задачами и песочницами. Песочницы построены на базе AgentENV: именно в них модель реально действует инструментами, а не рассуждает о них. Публичный текст релиза деталей не раскрывает, поэтому конкретику про изоляцию, ограничения сети, набор инструментов и асинхронный режим тренинга стоит искать в документации самих Miles и AgentENV, а не выводить из описания релиза.
harness summarization решает проблему длины. Контекстное окно модели осталось 256K токенов, а тренировочные сессии доходят до 1M: длинная сессия охватывает несколько траекторий через сжатие истории. Это важно не путать: 1M относится к обучению, а не к инференсу. На запросах вы получите те же 256K, что и у Qwen3.8-27B.
Как запустить DaisyRose-27B через SGLang с DSpark
RadixArk рекомендует сервить модель через SGLang с DSpark speculative decoding, а конфигурации запуска под разные GPU и форматы чекпоинтов собраны в SGLang cookbook. DSpark - ускорение генерации: черновая модель предлагает токены, основная их проверяет пачкой. Это не отдельная модель и не замена сэмплингу, на качество ответа техника не претендует.
BF16, FP8 или NVFP4: какой чекпоинт выбрать
BF16 - вариант с максимальной точностью и самыми высокими требованиями к памяти. FP8 заметно экономнее, и по данным RadixArk там, где оценивались оба формата, разница в результатах меньше одного пункта. NVFP4 самый компактный, но требует поддержки 4-битных форматов на стороне железа и рантайма. Правило простое: домашняя машина с ограниченной VRAM - FP8 или NVFP4, сервер с запасом памяти - BF16.
Готовых цифр по VRAM в релизе нет, и подставлять сюда прикидки «на глаз» не стоит. Расход памяти зависит от формата, длины контекста и размера батча, поэтому сверяйтесь с конфигурациями из cookbook и документацией SGLang под свою карту. Как формат квантизации влияет на память и скорость, разобрано в статье про выбор между GLM-5.3-Flash и DeepSeek-V4-Flash-0731 на своём железе.
Разбор запроса: reasoning_content и параметры сэмплинга
Порядок такой: поднять сервер с именем модели DaisyRose-27B на порту 30000, затем отправить запрос через OpenAI Python client. Сервер локальный, поэтому в поле ключа подойдёт любая заглушка.
from openai import OpenAI
client = OpenAI(base_url="http://localhost:30000/v1", api_key="EMPTY")
resp = client.chat.completions.create(
model="DaisyRose-27B",
messages=[{"role": "user", "content": "How many positive divisors does 360 have?"}],
temperature=1.0,
top_p=0.95,
extra_body={"top_k": 20, "min_p": 0.0},
)
print(resp.choices[0].message.reasoning_content)
print(resp.choices[0].message.content)
Параметры взяты из примера релиза: temperature 1.0, top_p 0.95, top_k 20, min_p 0.0. Модель по умолчанию думает перед ответом, и рассуждение приходит в поле reasoning_content, а финальный ответ в content. Парсить нужно оба поля. Если читать только content, в агентном цикле теряется диагностика: непонятно, на каком шаге модель свернула не туда и почему вызвала инструмент именно так.
Ограничения DaisyRose-27B и бенчмарков: что цифры не показывают
Сравнение идёт только с базовой Qwen3.8-27B, поэтому по таблице нельзя судить, как DaisyRose-27B выглядит рядом с другими агентными моделями сопоставимого размера. Оценки берутся как лучший результат из прогонов BF16 и FP8, то есть перед вами верхняя граница, а не среднее по прогонам. Настройки и сравнительные источники вынесены в карточку модели, в тексте релиза они не раскрыты.
Домен узкий. 1 200 задач строились под конкретные провалы базовой модели в терминальных и инженерных сценариях, и перенос на другие типы агентной работы, например на длинные браузерные или табличные пайплайны, не гарантирован. HLE и GPQA Diamond прибавили в пределах шума: общие знания и научные рассуждения почти не изменились, и ждать от модели скачка в олимпиадной математике не нужно.
Контекст 256K унаследован от базы, а сессии до 1M токенов относятся к обучению и обеспечиваются сжатием истории. На инференсе это разные вещи. И последнее: бенчмарк не равен продакшен-задаче с грязными данными, нестандартным окружением и чужими инструментами. Почему цифры в таблицах вообще стоит читать осторожно, подробно разобрано в материале про бенчмарки, версии и условия запуска открытых LLM.
Кому подойдёт DaisyRose-27B: практический вывод
Модель уместна там, где агент работает в терминале и с кодом: многошаговые задачи с вызовами инструментов, разбор вывода команд, исправление собственных ошибок по ходу траектории. Дополнительные плюсы - локальный запуск через OpenAI-совместимый API, совместимость с экосистемой Qwen3.8-27B и лицензия Apache 2.0 без дополнительных согласований.
Менять модель смысла мало, если задачи связаны с общими знаниями и научными рассуждениями: прирост там в пределах шума. Не стоит рассчитывать на неё и при жёстком лимите VRAM, если нет возможности взять FP8 или NVFP4. И точно не нужно переезжать, если базовая Qwen3.8-27B уже закрывает ваши сценарии и проблем с агентными ошибками нет.
Критерий проверки простой: возьмите 10-20 своих реальных агентных задач, прогоните их на базе и на DaisyRose-27B в одинаковых условиях, с одинаковыми параметрами сэмплинга и одинаковым набором инструментов, и сравните долю полностью выполненных задач. Отдельно логируйте число шагов и вызовов инструментов до результата: модель может решать ту же задачу короче или длиннее, и это скажется на стоимости инференса сильнее, чем разница в десятые доли бенчмарка. Такой прогон занимает вечер и отвечает на вопрос точнее любой таблицы.