Сегодня мы выпускаем DaisyRose-27B — первую модель от RadixArk, созданную на базе Qwen3.8-27B и обученную с использованием обучения с подкреплением с помощью Miles. Мы обучали ее на долгосрочных агентских задачах с сессиями длиной до 1 млн токенов, задействовав всего 1200 отобранных задач за 18 дней на 144 графических процессорах H200. DaisyRose-27B повышает показатель pass@1 на Terminal-Bench 4.1 с 5,6% до 12,0%. Помимо Terminal-Bench 4.1, модель также демонстрирует прирост на различных других бенчмарках рассуждений, следования инструкциям и написания кода.
Чекпоинты доступны под лицензией Apache 2.0:
- BF16
- FP8
- NVFP4
Модель сохраняет архитектуру, токенизатор, шаблон чата, понимание изображений и контекстное окно на 256 тыс. токенов от Qwen3.8-27B. В более длительных сессиях обучения используется суммаризация среды (harness summarization) для охвата нескольких траекторий. Свойства модели и настройки инференса см. в карточке модели.
Запуск DaisyRose-27B
Мы рекомендуем развертывать DaisyRose-27B с помощью SGLang и спекулятивного декодирования DSpark. В рецепте SGLang приведены конфигурации запуска для различных графических процессоров и форматов чекпоинтов.
После запуска сервера с развернутым именем модели DaisyRose-27B на порту 30000 вы можете отправить запрос с помощью клиента Python для OpenAI:
По умолчанию модель думает перед ответом. Ее рассуждения возвращаются в reasoning_content, а окончательный ответ — в content. Эти настройки соответствуют руководству по быстрому старту в карточке модели.
Результаты бенчмарков
DaisyRose-27B показывает более высокие результаты, чем оригинальная модель Qwen3.8-27B, в каждом из приведенных выше бенчмарков. Наибольший прирост наблюдается на Terminal Bench 4.1, где показатель pass@1 вырастает с 5,6% до 12,0%.
В результатах используется наибольшее значение из запусков BF16 и FP8 для каждого бенчмарка; везде, где оценивались оба варианта, разница между ними составляет менее одного балла. Карточка модели включает источники сравнения и настройки оценки.
Три составляющие процесса обучения сделали этот релиз возможным: тщательно разработанные задачи, эффективный бэкенд обучения и надежные песочницы (sandbox).
Высококачественные данные для обучения
Мы создали эти задачи в партнерстве с Eigent AI, начав с их большого массива задач в области машинного обучения, разработки программного обеспечения, науки и в других сферах. Вместе мы создали тысячи кандидатов. Около 1200 из них вошли в финальный набор для обучения.
Мы выбирали задачи по трем критериям:
- Каждая задача нацелена на ошибку, которую допускает исходная модель. Мы запустили Qwen3.8-27B на каждой задаче и переработали каждую из них с учетом ошибок, от которых мы хотели отучить модель. Затем мы скорректировали сложность до тех пор, пока уровень успешного решения не попал в полезный диапазон для обучения.
- Каждая задача требует нескольких взаимозависимых шагов. Агент должен рассуждать, планировать и выполнять действия в рамках долгосрочной задачи. Каждая попытка получает до 1,5 часов в песочнице, более 100 вызовов инструментов и более 256 тыс. выходных токенов.
- Задачи должны вознаграждать реальное решение проблемы. Мы проанализировали каждую задачу наряду с попытками модели. Задачи, которые можно было пройти без решения поставленной задачи или которые содержали конструктивный изъян, были исправлены или удалены.
Эффективный бэкенд обучения
RadixArk обучила DaisyRose-27B с помощью Miles, нашего открытого фреймворка обучения с подкреплением для пост-тренировки крупномасштабных моделей, в полностью асинхронном режиме: агент продолжает работать, пока модель учится, и ни один из них не ждет другого. Пока 128 чипов H200 выполняют инференс на задачах агента, еще 16 запускают тренер и учатся на траекториях. После каждого шага обновленная модель отправляется на 128 GPU, на которых работает агент. Обучение выполняется на нашем внутреннем бэкенде обучения, созданном специально для обучения агентов: каждый шаг учится на горстке очень длинных сессий (некоторые длиной до 1 млн токенов), объединенных в несколько траекторий с помощью суммаризации среды.
Стоимость обучения ниже на 57%. В этом релизе 37% пиковых вычислений каждого GPU уходило на полезную работу по обучению (использование FLOPs модели, или MFU) на нашем бэкенде. Тренер с открытым исходным кодом, созданный на базе Megatron, достиг 16% на сопоставимых запусках. Таким образом, для того же обучения требуется на 57% меньше времени GPU. Прирост еще больше на моделях со смещением экспертов (MoE): в 6,2 раза на Qwen3.6-35B-A3B и более чем в 10 раз на модели GLM-5.3-Flash с примерно 300 миллиардами параметров.
В 2 раза быстрее от начала до конца. Учитывая время, которое агент тратит на свои задачи, релизный запуск обучался со скоростью около 16 800 токенов в секунду на всех 144 графических процессорах. Открытый тренер достиг примерно 8300 на тех же GPU.
Стабильность на протяжении недель. Релизный запуск обучался в течение нескольких недель на 144 H200, что в сумме составило 63 000 часов GPU. От первого шага до последнего его скорость и эффективность оставались стабильными.
Каждый шаг обучения релизного запуска DaisyRose-27B на 144 H200 в зависимости от общего времени обучения. Пунктирные линии: тренер с открытым исходным кодом на сопоставимых запусках.
Надежный сервис песочниц
Каждая попытка обучения выполняется в песочнице: изолированной копии среды задачи, где агент выполняет команды, редактирует файлы, после чего оценивается.
Наш сервис создан на базе проекта с открытым исходным кодом AgentENV, в который мы также вносим исправления. С середины сентября по середину ноября он запустил около 944 000 песочниц для этого проекта, причем одновременно работало до 1566 штук.
Сервис вырос с одной машины до 12. Мы выпустили для него десять обновлений, почти все из которых происходили во время обучения. За все девять недель 99% созданий песочниц завершились успешно; с конца октября этот показатель превышает 99,95%.
Затраты на облачную инфраструктуру для песочниц проекта оказались примерно на 80% ниже по сравнению с запуском тех же песочниц у популярных провайдеров облачных песочниц. Один из способов снизить затраты — позволить выделению памяти каждой песочницы расти и уменьшаться в зависимости от ее фактического использования, что позволяет большему количеству песочниц совместно использовать каждую машину.
Попробуйте модель или обучите свою собственную
Скачайте DaisyRose-27B, следуйте руководству по развертыванию SGLang или используйте для обучения собственных агентов.
Мы хотели бы услышать, как DaisyRose-27B справляется с вашими задачами, включая то, в чем она уступает. Поделитесь своей конфигурацией и результатами во вкладке «Сообщество» (Community) модели.
Мы благодарим Eigent AI за тесное сотрудничество над обучающими данными и команду Qwen за создание Qwen3.8-27B. Мы также благодарим сообщества Miles и SGLang, а также другие проекты с открытым исходным кодом, включая slime, AgentENV и Harbor.
Адаптировано из оригинальной статьи RadixArk.











