DaisyRose 开放长程智能体模型权重
RadixArk 发布基于 Qwen3.8-27B 强化学习训练的 DaisyRose-27B,按 Apache 2.0 提供 BF16、FP8 和 NVFP4 权重,并公布了软件工程基准成绩。模型保留 256K 上下文窗口,最长 100 万 token 的训练会话由智能体框架通过摘要串联。
AI 深度解读
RadixArk 发布了首个模型 DaisyRose-27B。它在 Qwen3.8-27B 的基础上做强化学习,目标是让 Agent 在长时间、多步骤的任务里把活干完。厂商公布的 7 项基准都涨了,其中 Terminal Bench 4.1 的分数从 5.6 到了 12.0。
如果你正给编码 Agent 选模型,先看清两个数字。训练会话最长可到 1M tokens,模型的上下文窗口仍是 256K tokens。前一个数字讲的是 Agent 能把任务跑多久,后一个才决定模型一次能读多少内容。
256K 的模型怎么跑完 1M tokens 的会话
DaisyRose-27B 保留了 Qwen3.8-27B 的架构、分词器、对话模板、图像理解能力和 256K tokens 上下文窗口。训练时,Agent 的运行框架会总结前一段轨迹,再把摘要带入后续步骤。几段轨迹接起来,一次训练会话累计最长可到 1M tokens。轨迹就是 Agent 一路发出的命令、收到的结果和做出的决定。任务跑得越久,后面的步骤就越依赖摘要有没有保住关键信息。
他们团队和 Eigent AI 从数千个候选任务中做出约 1,200 道训练题。每道题围绕基座模型会犯的一个错误重新设计,要求完成多个相互依赖的步骤,还经过审核,避免模型靠绕过实际问题拿分。每次尝试最多可以在沙箱里跑 1.5 小时。这样的训练把重点放在一连串操作能不能收尾,单步答对只是其中一环。
七项基准都涨了,哪些变化最大
下面是 RadixArk 公布的 Qwen3.8-27B 到 DaisyRose-27B 的分数变化。
| 基准 | Qwen3.8-27B | DaisyRose-27B |
|---|---|---|
| Terminal Bench 4.1 | 5.6 | 12.0 |
| Terminal Bench 2.1 | 73.0 | 75.5 |
| DeepSWE v1.1 | 42.2 | 46.2 |
| SWE Bench Pro v2 | 91.3 | 94.7 |
| IFBench | 79.5 | 82.4 |
| GPQA Diamond | 89.2 | 90.7 |
| HLE(纯文本) | 33.9 | 34.3 |
Terminal Bench 4.1 的涨幅最大,增加了 6.4 分,但提升后的分数也只有 12.0。DeepSWE v1.1 涨了 4.0 分,纯文本 HLE 只涨了 0.4 分。每项基准展示的是 BF16 和 FP8 两种运行格式里的较高分,厂商称两种格式都测过的项目相差不到 1 分。原文没有引用独立评测,也没有给出 NVFP4 的对应分数。
开放权重后,部署能复用哪些东西
权重发布在 Hugging Face,采用 Apache 2.0 许可证,提供 BF16、FP8、NVFP4 三种格式。RadixArk 推荐用 SGLang 搭配 DSpark 推测解码,SGLang cookbook 给出了针对不同 GPU 和权重格式的启动配置。服务启动后可以用标准 OpenAI Python 客户端调用。模型默认先推理再作答,推理内容和最终答案分字段返回。
训练和沙箱的数据来自他们自己的基础设施。这次全异步训练跑了 18 天,动用了 144 张 H200,其中 128 张跑 Agent,16 张用于训练,总计约 63,000 GPU 小时。厂商报告内部后端的模型 FLOPs 利用率为 37%,开源训练器为 16%,并据此折算 GPU 时间减少 57%。从 9 月中旬到 11 月中旬,他们的服务运行了约 944,000 个沙箱,峰值并发 1,566 个,创建成功率超过 99%,云成本据称比常见沙箱供应商低约 80%。这次发布的产物只有模型权重,部署团队需要另外解决 Agent 的运行和隔离。
我的判断
最值得借鉴的是他们选训练题的办法。拿基座模型确实会做错的任务做样本,再用最终结果验收,比只看 Agent 能不能写出像样的计划,更贴近编码工作。至于涨分有多少来自训练题设计、有多少来自长会话训练,原文没给拆开测的对照数据。沙箱成本也没交代供应商、配置和计费口径,80% 只能当作他们团队的经验。
如果团队已经在用 Qwen3.8-27B,我会先固定工具、运行预算和验收条件,换权重跑一遍仓库里的历史难题。这个对照能回答最直接的问题。沿用现有 Agent 配置时,升级权重能多解决多少任务?原文的成绩来自编码、终端和推理基准。销售、客服和后台办公的表现仍缺少同类证据。
能拿来做什么
- 从前端或 Node 仓库里挑几条有复现步骤的历史问题,用同样的工具和时间预算对照跑两个模型,以构建、类型检查和相关测试是否通过验收。
- 让 Agent 跑跨文件任务时,检查压缩后的摘要有没有保留改动路径、失败命令和未完成步骤,再看它能否接着做下去。
- 把模型接入编码工具时,分别处理推理字段和最终答案字段,并用实际部署的权重格式复跑任务。遇到失败,可以把复现条件和结果一并发到模型的 Community 标签页。