DaisyRose-27B 开源,面向单卡编程智能体
RadixArk 发布采用 Apache 2.0 许可的 DaisyRose-27B,基于 Qwen3.8-27B 仅通过强化学习完成后训练。据报道,其 Terminal Bench 4.1 pass@1 提升逾一倍至 12.0,并支持单 GPU 运行。
AI 深度解读
DaisyRose-27B 的看点,是把一个已有的 27B 级模型,通过纯强化学习后训练,推向更长、更复杂的编程任务。RadixArk 报告称,18 天训练后,它在 Terminal Bench 4.1 的 pass@1 从 5.6 升到 12.0,权重以 Apache 2.0 开放。
但「成绩翻倍」「单卡可跑」都需要拆开看:前者起点较低,后者取决于精度和显存。对程序员而言,更有参考价值的是它如何挑训练任务、组织工具调用,以及这些成绩距离日常开发还有多远。
「只用强化学习」到底改了什么
这里的 RL only 指后训练阶段,不是从零训练整个模型。
DaisyRose-27B 基于 Qwen3.8-27B,模型卡称没有使用监督微调(SFT)或蒸馏。它保留基座架构,训练重点是让模型更会完成任务。
模型有 27.8B 稠密参数,其中视觉编码器占 0.46B,MTP 头占 0.42B。64 层解码器按 3:1 排列:每 3 层 Gated DeltaNet 线性注意力搭配 1 层全注意力,隐藏维度为 5,120。另有 27 层视觉编码器和 1 层多 token 预测结构,后者支持推测解码,即先生成候选 token,再交给主模型验证。
它接收文本和图片、输出文本,属于带思考过程的模型,上下文为 262,144 token。作者将其定位为基座的直接替代品,但没有展开说明所有部署场景下的兼容边界。
真正的训练材料来自失败案例。RadixArk 与 Eigent AI 从数千个候选中筛出约 1,200 个任务,每个任务针对基座的一种具体失败。
每次沙箱尝试允许最长 1.5 小时、100+ 次工具调用和 256k+ 输出 token;博客称,Agent 会话可达到 1M token。这个会话总量不能直接当成模型的单次上下文窗口。
长任务训练,成本主要花在哪里
这次训练用了 144 张 H200,持续 18 天,总计约 63,000 GPU-hours。其中 128 张负责 Agent 推理,16 张负责训练。
这个分工很有信息量:模型需要反复执行任务、调用工具、等待环境反馈,再产生训练数据。对这类训练而言,生成完整轨迹本身就很贵。
训练框架是开源 Miles,采用全异步模式。RadixArk 报告,其内部后端的模型 FLOPs 利用率(MFU)达到 37%,基于 Megatron 的开源训练器为 16%;端到端吞吐分别为 16.8k 和 8.3k tokens/s,约提升 2.0 倍,GPU 时间减少 57%。这些属于团队报告的工程结果,原文没有充分展开比较条件。
沙箱由 AgentENV 承担。从 9 月中旬到 11 月中旬,团队报告运行约 944,000 个沙箱,峰值并发 1,566,9 周内创建成功率为 99%,成本比常见云沙箱供应商低约 80%。不过,原文没有列出具体供应商与计费口径,这个成本优势还不能直接套进其他团队的预算。
分数涨了,但先看清是哪一种分数
原文列出的 7 项成绩全部高于基座:
| 基准 | DaisyRose-27B | Qwen3.8-27B | 增幅 |
|---|---|---|---|
| Terminal Bench 4.1,pass@1 | 12.0 | 5.6 | +6.4 |
| Terminal Bench 2.1 | 75.5 | 73.0 | +2.5 |
| DeepSWE v1.1 | 46.2 | 42.2 | +4.0 |
| SWE Bench Pro v2 | 94.7 | 91.3 | +3.4 |
| HLE,纯文本 | 34.3 | 33.9 | +0.4 |
| IFBench | 82.4 | 79.5 | +2.9 |
| GPQA Diamond | 90.7 | 89.2 | +1.5 |
最明显的增益出现在 Terminal Bench 4.1。pass@1 看的是一次尝试能否通过;从 5.6 到 12.0 确实超过翻倍,但绝对成绩仍然有限。知识类任务的变化则小得多,尤其 HLE 只提高 0.4。
面对更大模型,它也没有全面领先。309B 总参数的 MiMo V2.6 Flash 在 Terminal Bench 4.1 得到 16.1;594B 总参数的 Inkling 2 Small 在 DeepSWE 和 HLE 分别得到 72.1、44.1。DaisyRose-27B 只在 RadixArk 的 9 模型对比中拿下 IFBench 第一。
所有成绩均由 RadixArk 自报,而且 DaisyRose 取 BF16、FP8 两次运行中的较高值。
另一处容易误读的是 SWE 分数:对比表中的 SWE Bench Pro v2 引自 arXiv 2611.16289,而各模型官方卡上的 SWE-bench Pro 数字不同。例如 Qwen3.8-27B 分别出现 91.3 和 61.7,DaisyRose 则未披露后一口径。没有核对评测设置前,不能拿它们直接排榜。
部署方面,权重提供 BF16、FP8、NVFP4 和 GGUF。原文给出的显存量约为 52 GB、29 GB、23 GB,其中 NVFP4 仅支持 Blackwell。列出的硬件目标包括 H200、B200、GB300、RTX PRO 6000、RTX 5090 和 DGX Spark,并不代表每种硬件都能运行每种精度。
vLLM 的启动命令如下:
vllm serve "RadixArk/DaisyRose-27B"
注意模型标识是 RadixArk/DaisyRose-27B。团队更推荐 SGLang 搭配 DSpark 推测解码,草稿模型使用 Qwen3.8-27B-DSpark;思考模式建议参数为 temperature 1.0、top_p 0.95、top_k 20。
我的判断
我更看重它从失败案例反推训练任务的路线。相比继续堆泛化数据,针对基座明确做不好的任务训练,目标更容易检查。不过,原文没有给出随机选题、SFT 或混合训练的对照实验,因此无法证明「纯 RL」就是收益来源,更不能据此判定它优于其他后训练方法。
单卡部署也有实际吸引力,但权重能装下,只是开始。原文没有给出长上下文、并发请求和工具调用链下的完整显存、延迟及吞吐数据。要服务一个真实编程 Agent,还得为这些开销留空间。
这份材料更适合作为候选模型的技术线索。它支持「定向 RL 能改善该基座的部分编程表现」,还不足以支持「已经适合替换团队现用模型」。
能拿来做什么
- 如果正在维护编程 Agent,可以先收集现用模型反复失败的真实任务,再建立固定评测集,用它比较 DaisyRose 与基座,检查补丁能否通过测试、工具调用能否完成。
- 如果计划本地部署,先按 BF16、FP8、NVFP4 的硬件要求筛选,再测试真实上下文长度和并发量,不要只依据 23 GB 的权重数字采购设备。
- 如果已有 vLLM 服务,可以从上述命令和建议采样参数开始验证;接入 SGLang、DSpark 后,再单独测量推测解码是否改善自己的任务延迟。
- 评估模型替换时,把 Terminal Bench 4.1、SWE Bench Pro v2 和官方卡成绩分别记录,同时保存精度与评测配置,避免把不同口径拼成一个结论。