RadixArk在Hugging Face上发布了DaisyRose-27B,这是这家公司的第一个模型。它基于Qwen3.8-27B构建,用强化学习训练,目标是处理长时间运行的智能体任务,会话长度最高可达1M token。
发布的东西很具体:BF16、FP8、NVFP4三种格式的检查点,Apache 2.0许可。模型保留了基座的架构、分词器、聊天模板、图像理解能力和256K token上下文窗口。更长的训练会话,是通过智能体框架做摘要、把多条轨迹拼接起来的。
部署上,官方推荐用SGLang加DSpark投机解码来跑,并给了一份SGLang cookbook,里面列了不同GPU和不同检查点格式的启动参数。服务起来之后,用标准的OpenAI Python客户端就能调用。模型默认先推理再回答,推理过程和最终答案分两个字段返回。
跑分:每一项都高于基座
按RadixArk自己的说法,DaisyRose-27B在列出的每一项基准上都超过了Qwen3.8-27B:
- Terminal Bench 4.1:5.6 提升到 12.0
- Terminal Bench 2.1:73.0 提升到 75.5
- DeepSWE v1.1:42.2 提升到 46.2
- SWE Bench Pro v2:91.3 提升到 94.7
- IFBench:79.5 提升到 82.4
- GPQA Diamond:89.2 提升到 90.7
- HLE(纯文本):33.9 提升到 34.3
公司取的是BF16和FP8两次运行里较高的那个数,并称两种格式都测过的项目上差距不到1分。这些是厂商自己的数字,没有引用任何独立评测。
训练:1200个任务,18天,144块H200
训练集约1200个任务,用Eigent AI从数千个候选里筛出来。每个任务都围绕基座模型会犯的一个错误重新设计,要求多步依赖,并且经过审核——不真正解决原问题就过不了。每次尝试在沙箱里最多跑1.5小时。
训练在144块H200上跑了18天,其中128块跑智能体、16块跑训练器,全异步架构。RadixArk称其内部后端达到37%的模型FLOPs利用率,开源训练器是16%,折算下来省了57%的GPU时间。整轮训练共63000 GPU小时。
沙箱服务在9月中到11月中之间跑了约944000个沙箱,峰值同时1566个。官方称创建成功率超过99%,云成本比主流沙箱服务商低约80%。训练后端和沙箱服务的数字描述的是RadixArk自己的基础设施,这次发布的产物只有模型权重。
官方请用户在自己的任务上跑结果,包括失败案例,发到模型的Community标签页。这个测试方向是对的:提升是在编码、终端和推理基准上测出来的,至于销售、客服、后台这类工作负载,没有数据。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.