跳到主内容

RadixArk 开源 DaisyRose-27B:1,200 道题、18 天、144 张 H200,Terminal-Bench 从 5.6 拉到 12.0

RadixArk 2026-11-18 发布 DaisyRose-27B:用 1,200 道长程 Agent 任务、18 天、144 张 H200 做纯 RL 后训练,Terminal-Bench 4.1 从 5.6% 提到 12.0%。

2026-11-21 · RadixArk 官方博客(2026-11-18,一手实取) / OpenRouter 模型目录(2026-11-21 实取)

发布 2026-11-21核实 2026-11-21

要点

  • 2026-11-18,基础设施公司 RadixArk 发布其首个模型 DaisyRose-27B:基于 Qwen3.8-27B,用自家开源 RL 框架 Miles 做后训练。
  • 训练规模小得反常:约 1,200 道精选长程 Agent 任务、18 天、144 张 H200、累计约 63,000 GPU 小时;单条会话最长可达 1M token。
  • 核心成绩:Terminal-Bench 4.1 pass@1 从 5.6% 提升到 12.0%(pass@1,8 次平均)。
  • 效率口径(厂商自报):自有训练后端 MFU 37%,基于 Megatron 的开源训练器在可比实验为 16% → 同等训练量少 57% 的 GPU 时间;端到端吞吐约 16,800 tok/s(对比开源训练器 8,300),即约 2 倍。
  • 沙箱侧:2026 年 9 月中到 11 月中跑了约 944,000 个沙箱,峰值 1,566 个并发,全程成功率 99%、10 月下旬后 >99.95%;官方称基础设施成本比主流云沙箱厂商低约 80%。
  • 权重三档开放:BF16 / FP8 / NVFP4(Hugging Face RadixArk/DaisyRose-27B)。
  • 2026-11-21 凌晨,OpenRouter 上架 radixark/daisyrose-27b(262,144 上下文,单 provider DeepInfra,输入 $0.15/百万 token、输出 $1.875/百万 token、缓存读 $0.0375)。

为什么 1,200 道题能撑起一次发布

先把常见的误解拆掉:这条新闻的数字看着「不够大」,是因为它在讲后训练效率,不是能力天花板。12.0% 的 Terminal-Bench 4.1 放在 2026 年 11 月的绝对值坐标系里不算高,但它相对自家基座的 5.6% 是翻倍多——在只用了 1,200 道题的前提下。

官方把方法论讲得很细,三条筛选标准都可以直接搬:

标准做法为什么重要
对着模型的错处出题先用原始 Qwen3.8-27B 把每道题跑一遍,把「它真会犯的错」重新设计进题面训练信号来自真实失误,而不是出题人的想象
每题是长链条多个互相依赖的子问题串联;单次尝试最长 1.5 小时、>100 次工具调用、>256k 输出 token逼出规划、回溯、状态维护,而不是单步问答
不给奖励作弊留口子逐题连同模型的尝试一起复查,能「不真解也能过」的题改掉或剔除奖励作弊一旦存在,RL 一定会找到它

题目由 RadixArk 与 Eigent AI 合作,从对方已有的机器学习 / 软件工程 / 科学任务池出发,做出数千个候选,最终约 1,200 个进入训练集。注意这里的因果关系:候选池是几千,进训练集的是 1,200——筛选本身是这套方法的一半工作量。

训练后端:异步 + 长会话,才是省钱的来源

官方描述的架构是完全异步:128 张 H200 跑 Agent 推理,16 张跑训练器学轨迹,每步之后把更新后的模型发回那 128 张卡。Agent 干活和模型学习互不等待。

真正拉开差距的是两处工程细节:

  1. 长会话折叠。每一步的学习来自少量「极长会话」,有的长达 1M token,通过 harness 摘要折成多条轨迹。这决定了它不会被「单条样本太长」卡住。
  2. MFU 37% vs 16%。同样训练量少 57% 的 GPU 时间;官方还给了 MoE 的放大效应——Qwen3.6-35B-A3B 上 6.2 倍、约 300B 的 GLM-5.3-Flash 上超过 10 倍。MoE 越大,收益越大,这条对自建后训练的团队比「省 57%」更有参考价值。

沙箱那一侧的数字同样值得抄:9 月中到 11 月中 944,000 个沙箱、峰值 1,566 并发、机器从 1 台扩到 12 台、训练期间做了 10 次升级、成功率从 99% 提到 >99.95%。降低成本的招法很朴素——沙箱内存按实际用量伸缩,因为「一个沙箱通常只用它申请内存的一小部分」,所以一台机器能塞进更多沙箱。

对开发者的意义:小团队做专属模型的账变了

这次发布真正可复用的是成本结构,不是模型本身。

过去「给自家业务做后训练」的门槛在于:要么有算力预算,要么有大量标注数据。DaisyRose 给的是一个反例组合——1,200 道题 + 18 天 + 144 张卡,配合一个开源 RL 框架和一个能伸缩的沙箱服务。这个量级对中型团队已经不是遥不可及:144 张 H200 × 18 天 ≈ 63,000 GPU 小时,按公有云现价大致是几十万美元量级(本站按常见 H200 时租粗算,非官方数字),而收益是特定长程任务上的明显提升。

同时要看清局限,三条:

  1. 提升集中在长程 Agent 任务,其他能力是否退化官方没给完整对照表(只说「每个基准都高于基座」,但正文未逐项列表)。
  2. 12.0% 仍是低绝对值,说明这类任务远没被解决;把 12% 当成「能上生产」会付出代价。
  3. 训练数据与基座都来自外部(Eigent AI 的题池 + Qwen3.8-27B),换业务场景要重新造题,那才是真正的工作量。

AI 之家 观点

这条新闻和同一天 OpenAI 的反蒸馏公告,恰好构成一组对照实验。 OpenAI 的论证是「双用途能力主要靠精确推理轨迹迁移」,因此要锁住轨迹;DaisyRose 走的是另一条路——不抄任何轨迹,只靠环境反馈(沙箱里做对做错)学,结果也能在难榜上翻倍。这说明两件事同时成立:轨迹确实是效率最高的迁移通道,但它不是唯一通道。

对行业更值得记的是那个「1,200 道题」的比例。后训练的下一个瓶颈不是算力,是题目设计能力——要能针对模型的具体失误造题、还要能判断「这题能不能被作弊通过」。这类工作目前没有标准工具链,也解释了为什么 RadixArk 要自己建沙箱、自己改 AgentENV。

最后一处保留:37% MFU、57% 少算力、80% 低沙箱成本全是自报,且没有第三方复现;OpenRouter 上架时间比博客晚了两天多,no SFT / no distillation 的表述来自 OpenRouter 的目录描述而非官方博客正文,引用时请注明出处。

相关阅读

来源

常见问题

1,200 道题就能训出提升?

官方给的正是这个口径:约 1,200 道题、18 天、144 张 H200,总计约 63,000 GPU 小时。关键在于题目质量而非数量——每道题都先用原始 Qwen3.8-27B 跑一遍,把模型会犯的错重新设计进题面,再反复调到「解出率落在既不太易也不太难的区间」;每题是多个互相依赖的问题串起来的,单次尝试在沙箱里最长 1.5 小时、超过 100 次工具调用、输出超过 256k token。

12.0% 的 Terminal-Bench 4.1 算高吗?

要看跟谁比。它比自家基座 Qwen3.8-27B 的 5.6% 翻了一倍多,是「后训练效率」的好证据;但放在 2026 年 11 月的绝对值坐标系里,12.0% 远谈不上前沿——同期旗舰模型在这个榜上是几十个百分点。官方标题里的「frontier」指的是后训练效率的前沿,不是能力的前沿,这两个别混。

为什么能省 57% 训练成本?

官方归因于训练后端的 MFU(模型 FLOPs 利用率):自己的后端做到 37%,基于 Megatron 的开源训练器在可比实验里是 16%,折成同样的训练量需要少 57% 的 GPU 时间。模型越偏 MoE 差距越大——官方称在 Qwen3.6-35B-A3B 上 6.2 倍,在约 300B 的 GLM-5.3-Flash 上超过 10 倍。这是厂商自报,未独立复现。

权重能商用吗?

官方放出 BF16 / FP8 / NVFP4 三种检查点,托管在 Hugging Face(RadixArk 组织下)。博客正文没有逐条讲许可证条款,实际商用以模型卡标注为准,别按「开源 = Apache 2.0」默认。基座是 Qwen3.8-27B,还要同时满足上游许可证。

它跟蒸馏是什么关系?

OpenRouter 的目录描述明确写它「只用长程 Agent 任务上的强化学习训练,没有监督微调,也没有蒸馏」。这恰好是同一天另一条新闻的反面案例——OpenAI 在收紧推理轨迹外流,而这条路线证明「不抄轨迹、只靠环境反馈」也能涨分,只是涨幅有限。

相关对比