RadixArk hat 18 Tage und rund 1.200 Aufgaben in ein offenes Modell gesteckt. Danach war es auf jedem Benchmark der eigenen Tabelle besser als die Vorlage.
Was DaisyRose-27B ist und was RadixArk nicht gebaut hat
Die wichtigste Einordnung vorweg: Das ist kein neues Modell. DaisyRose-27B ist Qwen3.8-27B mit denselben Architekturen, demselben Tokenizer, derselben Chat-Vorlage, demselben Bildverständnis und demselben Kontext von 256K Token. RadixArk hat die Gewichte weiter trainiert, ausschließlich mit reinforcement learning.
Genau daran scheitern die meisten Schlagzeilen. Keine neue Aufmerksamkeitsmechanik, kein neuer Tokenizer, keine andere Datenmischung beim Vortraining, und kein zweites Modell dahinter.
So weit die Einordnung.
Was es gibt, ist ein Budget: 18 Tage auf 144 H200, rund 1.200 handverlesene Aufgaben, Prüfpunkte unter Apache 2.0 in BF16, FP8 und NVFP4. Der Blogpost ist zwei Tage älter als die Presseberichte.
Der Sprung bei Terminal-Bench 4.1: von 5,6 auf 12,0 Prozent
Die Zahl, mit der RadixArk wirbt, braucht beide Hälften. Auf Terminal-Bench 4.1 stieg die Erfolgsquote im ersten Versuch von 5,6 Prozent beim Basismodell auf 12,0 Prozent. Etwas mehr als eine Verdopplung, und immer noch eine niedrige absolute Quote.
Terminal-Bench 4.1 prüft, ob ein Modell mehrstufige Aufgaben in einer Kommandozeile zu Ende bringt, mit echten Werkzeugen und echten Fehlermeldungen. Wer 12 Prozent liest und an einen fertigen Entwickler denkt, liest falsch. Wer 5,6 liest und den Sprung sieht, versteht, worum es hier geht.
Die Benchmark-Tabelle von DaisyRose-27B im Vergleich
Die übrigen Zeilen sind kleiner. Sie zeigen ein Muster. In der Tabelle des Herausgebers liegt DaisyRose-27B überall vorn, am deutlichsten dort, wo lange Werkzeugketten gefragt sind.
Benchmark | Qwen3.8-27B | DaisyRose-27B |
|---|---|---|
Terminal Bench 2.1 | 73,0 % | 75,5 % |
DeepSWE v1.1 | 42,2 % | 46,2 % |
SWE-bench Pro v2 | 91,3 % | 94,7 % |
GPQA Diamond | 89,2 % | 90,7 % |
Der Kontext von 256K Token bleibt ebenfalls unverändert, was für Agenten zählt, die ganze Ausschnitte eines Repositorys gleichzeitig sehen müssen. Dazu kommen IFBench mit 79,5 auf 82,4 Prozent, HLE im Textmodus mit 33,9 auf 34,3 Prozent und weitere Werte, die alle nach oben zeigen. Wo BF16 und FP8 beide gemessen wurden, zählt der höhere Lauf, und die Differenz liegt laut RadixArk unter einem Punkt. Eine faire Konvention. Sie zeigt aber auch, wie schmal manche Abstände sind.
Wie aus Fehlern von Qwen3.8-27B 1.200 Aufgaben wurden
Der aufwendigste Teil steckt nicht im Training, sondern im Aufgabenbau. RadixArk hat mit Eigent AI aus mehreren Tausend Kandidaten etwa 1.200 Aufgaben ausgewählt, und jede zielt auf einen Fehler, den das Basismodell tatsächlich macht. Wer eine Aufgabe besteht, ohne das eigentliche Problem zu lösen, soll sie nicht bestehen können.
Jeder Versuch bekommt bis zu 90 Minuten in einer Sandbox, mehr als 100 Werkzeugaufrufe und ein Ausgabebudget von über 256K Token, was für einen einzelnen Testlauf mehr Text ist als viele Menschen in einem Monat schreiben. Sitzungen können bis zu einer Million Token lang werden. Der Unterschied zwischen Übung und Arbeitstag.
Warum reinforcement learning hier 63.000 GPU-Stunden kostet
Reinforcement learning heißt hier nicht, dass ein Mensch Bewertungen vergibt. Das Modell versucht die Aufgabe, ein Prüfer schaut sich das Ergebnis an, und aus dem Signal wird die Policy angepasst, Schritt für Schritt und über Tausende Aufgaben hinweg. Bei langen Aufgaben dauert ein Versuch bis zu anderthalb Stunden, was das Training teuer macht.
In neun Wochen kamen rund 63.000 GPU-Stunden auf 144 H200 zusammen. Diese Zahl ist kein Preis. Sie ist ein Maß für den Aufwand, und sie erklärt, warum ein Team ohne Cluster dieselbe Kurve nicht einfach nachfährt.
Warum RadixArk mit Miles auf 37 Prozent MFU kommt
Interessanter als die Summe ist die Auslastung. Miles, das eigene Open-Source-Framework für reinforcement learning, läuft vollständig asynchron: 128 H200 erzeugen Antworten auf Agentenaufgaben, 16 weitere trainieren, und nach jedem Schritt geht das aktualisierte Modell zurück an die Inferenzflotte.
RadixArk nennt 37 Prozent Modell-FLOPs-Auslastung für seinen Stack, gegen 16 Prozent für den offenen Megatron-basierten Trainer bei vergleichbaren Läufen. Daraus folgen laut Unternehmen 57 Prozent weniger GPU-Zeit für dasselbe Training und end-to-end etwa 16.800 Token pro Sekunde über 144 GPUs, gegen rund 8.300 beim offenen Trainer auf derselben Hardware. Bei Qwen3.6-35B-A3B nennt das Team den Faktor 6,2, bei GLM-5.3-Flash mit rund 300 Milliarden Parametern mehr als 10.
Diese Zahlen gelten für ihre eigenen Vergleichsläufe, und wer den Faktor auf ein anderes Modell überträgt, ohne die Bedingungen zu prüfen, bekommt eine Zahl ohne Bedeutung.
Die Sandbox hinter dem DaisyRose-27B-Training: 944.000 Umgebungen
Ein Trainingslauf dieser Art scheitert selten am Algorithmus und oft an der Infrastruktur. RadixArk betreibt dafür einen Dienst auf Basis des Open-Source-Projekts AgentENV. Zwischen Mitte September und Mitte November liefen dort etwa 944.000 Sandboxes, mit bis zu 1.566 gleichzeitig.
In neun Wochen lag die Erfolgsquote beim Erstellen bei 99 Prozent, seit Ende Oktober über 99,95 Prozent. Die Kosten liegen laut RadixArk etwa 80 Prozent unter denen gängiger Sandbox-Anbieter. Für Teams, die selbst Agenten trainieren, ist das der Teil, den man kopieren kann, ohne ein Modell zu veröffentlichen, und genau deshalb steht der Dienst im Blogpost so weit vorn.
Was an DaisyRose-27B offen bleibt
Drei Dinge sollte man beim Lesen im Kopf behalten. Alle Zahlen stammen von RadixArk selbst, MarkTechPost hat sie übernommen und nicht nachgemessen, und 12 Prozent auf Terminal-Bench 4.1 bleiben ein schwacher Wert, gemessen daran, was ein Coding-Agent im Betrieb leisten müsste.
Die eigentliche Behauptung ist keine Punktzahl, sondern der Preis pro Punkt. RadixArk sagt, mit diesem Budget sei ein Sprung möglich, der sonst ein Vielfaches an Rechenzeit braucht. Ob das für andere Basismodelle gilt, ist offen. Warum sollte ein 27B-Modell mit anderer Datenlage dieselbe Kurve nehmen?
Für die Praxis bleibt eine Beobachtung. Wer Coding-Agenten in eine Pipeline hängt, merkt den Unterschied nicht an der Benchmark-Zahl, sondern an den Läufen, die nach zehn Minuten ohne Ergebnis abbrechen. Genau dort müsste sich zeigen, ob 18 Tage Feintuning im Alltag ankommen. Das Modell startet mit SGLang und DSpark, die Denkspur kommt im Feld reasoning_content, die Antwort in content.






