RadixArk 于 2026 年 11 月 18 日发布了首个仅用强化学习进行后训练的公开模型。公司的官方评测显示,Terminal Bench 2.1 从基础模型的 73.0 升至 75.5,DeepSWE v1.1 从 42.2 升至 46.2。开发者可保留现有运行环境,换用新权重,即决定模型行为的已学习数值,测试多步工具调用智能体任务的性能。

1. 不教标准答案,而是用长程任务训练

DaisyRose-27B 是基于 Qwen3.8-27B 的图像理解与推理模型。它仅采用强化学习,未使用通过标准答案示例追加训练的监督微调,也未使用模仿其他模型输出的蒸馏。模型保留了基础模型的架构、聊天模板、图像理解能力及 256K token 上下文长度。

训练数据是从与 Eigent AI 共同制作的数千个候选任务中选出的约 1,200 项任务。任务针对基础模型的出错点设计,能绕过预期问题而通过的任务则被修改或剔除。每次尝试可在与其他工作分离的隔离执行环境中运行最长 1.5 小时,工具调用可超过 100 次,输出可超过 256K token。

2. 智能体执行与训练同步进行

团队使用开源训练工具 Miles,在智能体执行任务时持续训练。128 张 H200 GPU 执行任务,16 张学习已完成的任务记录,每步将更新后的权重传回执行端。对于最长 100 万 token 的会话,系统通过总结执行内容,将其拆成多份训练记录。

据公司博客介绍,团队在 144 张 H200 上运行 18 天,共使用约 6万3,000 GPU 小时。自研后端,即实际处理计算请求的内部组件,GPU 计算利用率为 37%,高于可比运行中基于 Megatron 的开源训练器的 16%。训练器是执行模型训练的软件,相同训练所需的 GPU 时间减少了 57%。计入智能体任务耗时的吞吐量,即单位时间处理的 token 数,在相同的 144 张 GPU 上约为每秒 16,800 token,高于对照的约 8,300 token。

3. 核查官方成绩时,也要看重复次数和评测版本

据模型卡介绍,新模型分数取权重数值精度格式 BF16 与 FP8 运行结果中的较高值,同时评测两种格式的项目分差均小于 1 分。公司评测新模型时,推理强度采用默认最高设置,在上下文范围内未另设输出长度上限。

按公司公布的数据,Terminal Bench 4.1 的单次尝试成功率为 12.0%。每项任务重复 8 次后取平均,并在内部评测执行工具 mini-swe-agent 中开启了总结功能。

将官方对比表中的代表性评测与基础模型并列如下。

表:基础模型与 DaisyRose-27B 的代表性评测分数

条件:模型卡中按相同评测版本报告的分数;基础模型取自外部来源,新模型取 BF16、FP8 中的较高值

单位:分

相同评测版本下基础模型与新模型的分数对比Terminal Bench 2.1: Qwen3.8-27B 73.0, DaisyRose-27B 75.5; DeepSWE v1.1: Qwen3.8-27B 42.2, DaisyRose-27B 46.2; HLE 文本: Qwen3.8-27B 33.9, DaisyRose-27B 34.3Qwen3.8-27BDaisyRose-27BTerminal Bench 2.173.075.5DeepSWE v1.142.246.2HLE 文本33.934.3
相同评测版本下基础模型与新模型的分数对比
核查官方成绩时,也要看重复次数和评测版本
评测Qwen3.8-27BDaisyRose-27B
Terminal Bench 2.173.075.5
DeepSWE v1.142.246.2
HLE 文本33.934.3

Terminal Bench 2.1 提高 2.5 分,DeepSWE v1.1 提高 4.0 分,而 HLE 文本的分差为 0.4 分。各类任务的提升幅度并不一致,应查看与实际用途相符的评测。

在 Terminal Bench 2.1 中,新模型每项任务重复 5 次,使用 Terminus 2 评测。

在 DeepSWE v1.1 中,新模型每项任务重复 8 次,使用 mini-swe-agent 评测。

新模型在 SWE Bench Pro v2 中得分 94.7,每项任务重复 5 次,使用同一评测工具。

HLE 文本评估不使用工具回答文本问题的能力。新模型每题回答 5 次,由 GPT-6 Luna 评分。

衡量指令遵循能力的 IFBench 中,基础模型为 79.5,新模型为 82.4。新模型对 300 个提示各回答 4 次,最终回复由官方评分器评估。

在科学知识与推理评测 GPQA Diamond 中,基础模型为 89.2,新模型为 90.7。新模型对 198 道题各回答 8 次,每次都打乱选项顺序。

不过,对比表中基础模型的 5.6% 是 Terminal Bench 4.0 的结果,与新模型的评测版本不同。SWE Bench Pro v2 的基础模型分数 91.3 来自一篇覆盖全部 642 项任务的独立论文,仅公布困难任务子集结果的模型在表中留空。

4. 选择权重格式,在现有服务器上调用

公司推荐使用 SGLang 和 DSpark 的推测解码,即提前生成后续 token 再进行验证的方式。官方运行指南提供了针对不同 GPU 和权重格式的运行配置。

权重以 Apache-2.0 许可证公开。模型卡列出的各格式权重大小如下。

表:公开权重的各格式大小

条件:DaisyRose-27B 权重,模型卡所列各格式的近似值

单位:GB

各格式的权重大小BF16: 权重大小 52; FP8: 权重大小 29; NVFP4: 权重大小 23BF1652FP829NVFP423
各格式的权重大小
选择权重格式,在现有服务器上调用
格式权重大小
BF1652
FP829
NVFP423

仅看权重大小,FP8 比 BF16 小约 23GB,NVFP4 小约 29GB,因此存放权重所需空间随格式而异。这不代表整体运行内存或速度的差异。据公司说明,模型也可在单张 GPU 上运行,NVFP4 则需要 Blackwell GPU。开发者可选择适合现有设备的格式,启动服务器后,按以下模型卡示例调用。

from openai import OpenAI

client = OpenAI(base_url="http://localhost:30000/v1", api_key="none")
SAMPLING = dict(temperature=1.0, top_p=0.95, extra_body={"top_k": 20, "min_p": 0.0})

resp = client.chat.completions.create(
    model="DaisyRose-27B",
    messages=[{"role": "user", "content": "How many positive divisors does 360 have?"}],
    **SAMPLING,
)

模型默认在回答前进行推理,推理内容通过 reasoning_content 返回,最终回复通过 content 返回。多轮对话中,若一并发送先前的推理内容,聊天模板会保留这些内容。

5. 节省计算的收益与任务、推理成本

据公司博客介绍,自建沙箱,即在受限环境中运行程序的空间,其云基础设施成本比在热门云沙箱供应商处执行相同任务低约 80%。但团队需要筛选、审查任务并运营执行环境,项目运行的沙箱约为 944,000 个。使用时,若推理延长至数万 token,响应时间和 token 用量也会增加,而回传先前推理内容的对话会扩大请求体积。

DaisyRose-27B 为在现有运行环境中测试强化学习后训练效果提供了一种选择,是否采用的关键在于同时衡量各类任务的性能收益与长推理的成本。