Sommaire10 parties
DaisyRose-27B est le premier modèle de RadixArk, publié sous licence Apache 2.0 et construit sur Qwen3.8-27B. Entraîné par renforcement sur 1 200 tâches d’agent seulement, il passe de 5,6 % à 12,0 % sur Terminal-Bench 4.1. L’annonce détaille aussi l’infrastructure qui a rendu cet entraînement possible avec un budget de calcul limité.
En bref
- DaisyRose-27B part de Qwen3.8-27B et est publié en Apache 2.0
- Terminal-Bench 4.1 : de 5,6 % à 12,0 % en pass@1
- Entraînement sur 1 200 tâches, en 18 jours, sur 144 GPU H200
- Checkpoints en BF16, FP8 et NVFP4, servis de préférence avec SGLang
- Fenêtre de contexte de 256K tokens conservée
Qu’est-ce que DaisyRose-27B ?
DaisyRose-27B est un modèle de langage de 27 milliards de paramètres, pensé pour les tâches d’agent : des travaux longs où le modèle exécute des commandes, modifie des fichiers et enchaîne les étapes. Il est publié par RadixArk, dont c’est le premier modèle, via Hugging Face.
Il reprend Qwen3.8-27B comme base et en conserve l’architecture, le tokenizer, le modèle de conversation, la compréhension d’images et la fenêtre de contexte de 256K tokens. Les poids sont proposés sous licence Apache 2.0 en trois formats : BF16, FP8 et NVFP4.
Les résultats de DaisyRose-27B sur les benchmarks
Le gain le plus net concerne Terminal-Bench 4.1, où le score pass@1 passe de 5,6 % à 12,0 %. RadixArk indique que DaisyRose-27B dépasse Qwen3.8-27B sur chacun des benchmarks publiés. Pour chaque test, le score retenu est le meilleur des deux exécutions en BF16 et en FP8, qui diffèrent de moins d’un point là où les deux ont été mesurées.
Les paramètres d’évaluation, par exemple les agents utilisés et le nombre de passages par tâche, sont décrits dans la fiche du modèle et dans l’article de RadixArk.
- Terminal-Bench 4.1 : 5,6 contre 12,0
- Terminal-Bench 2.1 : 73,0 contre 75,5
- DeepSWE v1.1 : 42,2 contre 46,2
- SWE Bench Pro v2 : 91,3 contre 94,7
- HLE (texte seul) : 33,9 contre 34,3
- IFBench : 79,5 contre 82,4
- GPQA Diamond : 89,2 contre 90,7
Des tâches choisies pour corriger les erreurs du modèle
Les tâches d’entraînement ont été conçues avec Eigent AI, à partir de son large catalogue en apprentissage automatique, génie logiciel, sciences et autres domaines. Des milliers de candidates ont été construites ; environ 1 200 ont été retenues. Chacune cible une erreur que Qwen3.8-27B commet : le modèle d’origine a été lancé sur chaque tâche, puis la tâche a été retravaillée et sa difficulté ajustée pour que le taux de réussite reste dans une plage utile pour apprendre.
Chaque tâche réunit plusieurs étapes dépendantes les unes des autres, ce qui oblige l’agent à raisonner, planifier et exécuter sur la durée. Une tentative dispose jusqu’à une heure et demie dans un bac à sable, avec plus de 100 appels d’outils et plus de 256K tokens de sortie.
Enfin, chaque tâche a été relue avec les tentatives du modèle. Celles qu’on pouvait réussir sans résoudre réellement le problème, ou qui présentaient un défaut de conception, ont été corrigées ou retirées.
Comment DaisyRose-27B a été entraîné avec Miles
L’entraînement repose sur Miles, le framework open source de RadixArk pour le post-entraînement à grande échelle, en mode totalement asynchrone : l’agent continue de travailler pendant que le modèle apprend, sans attente de part et d’autre. 128 GPU H200 font tourner l’agent, 16 autres exécutent l’entraînement, et le modèle mis à jour est renvoyé aux 128 premiers après chaque étape. Chaque étape apprend à partir de quelques sessions très longues, jusqu’à 1M tokens, découpées en plusieurs trajectoires par résumé de l’historique (harness summarization).
RadixArk utilise pour cela son propre moteur d’entraînement interne. Sur cette version, 37 % de la puissance de crête de chaque GPU a servi à du travail utile, contre 16 % pour l’entraîneur open source basé sur Megatron : le même entraînement demande donc 57 % de temps GPU en moins. Sur les modèles à mélange d’experts, l’écart est plus grand : 6,2× sur Qwen3.6-35B-A3B et plus de 10× sur GLM-5.3-Flash, d’environ 300B paramètres.
Mesuré de bout en bout, l’entraînement traite environ 16 800 tokens par seconde sur les 144 GPU, contre environ 8 300 pour l’entraîneur open source. La session de référence a duré des semaines, soit 63 000 heures de GPU, avec une vitesse et une efficacité restées stables.
Les bac à sable derrière l’entraînement
Chaque tentative de l’agent s’exécute dans un bac à sable : une copie neuve de l’environnement de la tâche, où l’agent lance des commandes, modifie des fichiers, puis est évalué. Le service de RadixArk s’appuie sur le projet open source AgentENV, auquel l’équipe contribue par des correctifs.
De la mi-septembre à la mi-novembre, il a fait tourner environ 944 000 bacs à sable pour ce projet, jusqu’à 1 566 en même temps. Il est passé d’une machine à 12 au plus, avec dix mises à niveau livrées presque toutes pendant l’entraînement. Sur l’ensemble de la période, 99 % des créations ont réussi, et plus de 99,95 % depuis fin octobre.
RadixArk annonce un coût d’infrastructure cloud inférieur d’environ 80 % à celui de fournisseurs de bacs à sable cloud courants. Un des leviers : la mémoire de chaque bac à sable augmente et diminue selon son usage réel, ce qui permet d’en loger davantage par machine.
Servir DaisyRose-27B avec SGLang
RadixArk recommande de servir DaisyRose-27B avec SGLang et le décodage spéculatif DSpark. Le guide SGLang propose des configurations de lancement selon le GPU et le format de checkpoint. L’annonce ne donne pas de configuration matérielle minimale.
Une fois le serveur démarré sous le nom DaisyRose-27B sur le port 30000, on l’interroge avec le client Python d’OpenAI. Le modèle réfléchit avant de répondre par défaut : son raisonnement revient dans reasoning_content et sa réponse finale dans content. L’exemple de l’annonce utilise une température de 1,0, un top_p de 0,95, un top_k de 20 et un min_p de 0,0, conformément au démarrage rapide de la fiche du modèle.
Quelques repères
- Apprentissage par renforcement : Méthode d’entraînement où un modèle essaie des actions, reçoit une récompense quand il réussit, et ajuste son comportement pour réussir plus souvent.
- Bac à sable : Environnement isolé et jetable où un programme peut exécuter des commandes et modifier des fichiers sans risque pour le reste du système.
- Fenêtre de contexte : Quantité maximale de texte, mesurée en tokens, qu’un modèle peut prendre en compte en une seule fois, question et réponse comprises.
Questions fréquentes
DaisyRose-27B est-il open source et gratuit ?
Oui, les checkpoints de DaisyRose-27B sont publiés sous licence Apache 2.0, en BF16, FP8 et NVFP4. L’annonce ne mentionne aucun prix.
Sur quel modèle DaisyRose-27B est-il basé ?
DaisyRose-27B est basé sur Qwen3.8-27B. Il en garde l’architecture, le tokenizer, le modèle de conversation, la compréhension d’images et la fenêtre de 256K tokens.
Comment servir DaisyRose-27B avec SGLang ?
RadixArk recommande SGLang avec le décodage spéculatif DSpark, et renvoie au guide SGLang pour les configurations selon le GPU et le format. Le serveur, lancé sous le nom DaisyRose-27B sur le port 30000, s’interroge avec le client Python d’OpenAI.
Quel score DaisyRose-27B obtient-il sur Terminal-Bench 4.1 ?
DaisyRose-27B obtient 12,0 % en pass@1 sur Terminal-Bench 4.1, contre 5,6 % pour Qwen3.8-27B. C’est son plus gros gain parmi les benchmarks publiés.
À retenir
DaisyRose-27B montre qu’un modèle de 27 milliards de paramètres peut plus que doubler son score sur Terminal-Bench 4.1 avec 1 200 tâches soigneusement conçues. Ses poids sont libres en Apache 2.0, et les résultats annoncés viennent des mesures de RadixArk, détaillées dans la fiche du modèle.
Sources
- Hugging Faceannonce officielle
- radixark.compage citée sur Hacker News






