RadixArk no entrenó un modelo desde cero. Cogió un Qwen3.8-27B, le dio 1.200 tareas de agentes y 18 días de refuerzo, y publicó el resultado. La historia está en la factura de cómputo.
Qué es DaisyRose-27B: Qwen3.8-27B con otra fase de entrenamiento
DaisyRose-27B es el primer modelo de RadixArk, y su ficha empieza aclarando lo que no es. Mantiene la arquitectura, el tokenizador, la plantilla de chat, la comprensión de imágenes y la ventana de 256.000 tokens de Qwen3.8-27B. No hay una arquitectura nueva ni un preentrenamiento desde cero.
El cambio está en el entrenamiento posterior. RadixArk usó solo reinforcement learning, la técnica en la que el modelo aprende por recompensas al resolver tareas, sin una gran fase de ajuste supervisado. Lo hizo con Miles, su propio marco de trabajo, sobre tareas de agentes de horizonte largo, con sesiones de hasta un millón de tokens.
Los pesos salen bajo licencia Apache 2.0 en tres formatos: BF16, FP8 y NVFP4. Para un equipo que ya sirva Qwen3.8-27B, el cambio es de archivo, no de infraestructura.
Terminal-Bench 4.1: del 5,6% al 12,0%
La cifra que abre el anuncio es la de Terminal-Bench 4.1, una prueba de tareas reales en la terminal. El pass@1 del modelo base era 5,6%. Con DaisyRose-27B sube a 12,0%.
Las dos mitades de ese dato importan. Es más del doble, y sigue siendo un porcentaje bajo. Un agente que resuelve una de cada ocho tareas difíciles de terminal no está listo para dejarlo solo con acceso a producción.
RadixArk lo presenta como una mejora de la capacidad agéntica, no como un salto de nivel. El modelo está pensado para agentes de código, no para chat general.
¿Por qué un 12,0% merece un anuncio? Porque el punto de partida era la mitad, y porque el cambio se hizo sin tocar la arquitectura.
La tabla de RadixArk, fila por fila
La comparación es contra el mismo Qwen3.8-27B que sirve de base, así que mide el efecto del entrenamiento y no el de un modelo distinto. Todas las cifras son del publicador.
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% |
IFBench | 79,5% | 82,4% |
GPQA Diamond | 89,2% | 90,7% |
La nota metodológica también cuenta. Donde se evaluaron los dos formatos, la puntuación publicada es la mejor de BF16 y FP8, y las diferencias entre ambos no llegan a un punto. Eso reduce el riesgo de que la mejora venga de la cuantización.
En HLE de solo texto, el avance es de 33,9% a 34,3%. Es el salto más pequeño de la tabla y el más honesto: el refuerzo en tareas de agentes no convierte al modelo en un enciclopedista.
Cómo se construyen 1.200 tareas que enseñan algo
El entrenamiento con refuerzo depende del banco de tareas. Si las tareas son fáciles o repetitivas, el modelo aprende atajos. RadixArk trabajó con Eigent AI para construir el suyo a partir de varios miles de candidatas, y dejó unas 1.200 en el conjunto final.
Cada tarea se diseñó alrededor de un error que el modelo base comete de verdad. No son ejercicios genéricos. Requieren varios pasos interdependientes, y cada una pasó una revisión para comprobar que no se podía superar sin resolver el problema previsto.
El formato de cada intento explica el coste. El agente tiene hasta hora y media dentro de un sandbox, con más de 100 llamadas a herramientas y más de 256.000 tokens de salida. Es un entorno más parecido a una tarde de trabajo que a un examen de una línea.
Miles: 128 H200 generando y 16 entrenando
La parte que otros equipos van a copiar es la ingeniería. Miles funciona de forma totalmente asíncrona: 128 H200 ejecutan la inferencia de las tareas mientras 16 entrenan, y el modelo actualizado vuelve a la flota de inferencia después de cada paso.
RadixArk reporta un 37% de utilización de FLOPs del modelo en su backend, frente al 16% de un entrenador open source basado en Megatron en pruebas comparables. Traducido a tiempo, dice que necesita un 57% menos de GPU para el mismo entrenamiento. También reporta ganancias de 6,2 veces en Qwen3.6-35B-A3B y de más de 10 veces en GLM-5.3-Flash, de unos 300.000 millones de parámetros.
De punta a punta, la ejecución procesó unos 16.800 tokens por segundo en 144 GPU, frente a unos 8.300 del entrenador abierto en el mismo hardware. El total fueron unas 63.000 horas de GPU en nueve semanas, sin una caída de rendimiento.
Para un equipo en España que alquila horas de H200 en la UE, esa diferencia es dinero. Un 57% menos de GPU no cambia el resultado del modelo, pero sí decide si el experimento cabe en el presupuesto.
El servicio de sandboxes: 944.000 entornos en nueve semanas
El otro componente es el servicio que crea los entornos. Está construido sobre el proyecto open source AgentENV y ejecutó unas 944.000 sandboxes entre mediados de septiembre y mediados de noviembre.
En su pico, sostuvo 1.566 entornos concurrentes. El 99% de las creaciones salió bien a lo largo de las nueve semanas, y por encima del 99,95% desde finales de octubre. El coste en la nube queda, según RadixArk, un 80% por debajo de los proveedores de sandboxes más populares.
Ese ahorro también es parte del resultado. Un entrenamiento de refuerzo con agentes pasa la mayor parte del tiempo esperando a que los entornos respondan. Si cada entorno cuesta menos, se pueden probar más trayectorias con el mismo presupuesto.
Cómo probar DaisyRose-27B con SGLang
RadixArk recomienda servirlo con SGLang y el decodificado especulativo DSpark. El modelo devuelve el razonamiento en el campo reasoning_content y la respuesta final en content, así que cualquier cliente que ya separe ambos campos funciona sin cambios.
En un portátil no cabe con comodidad.
Ni de lejos.
Los formatos FP8 y NVFP4 están pensados para servidores con GPU de 80 GB o para despliegues cuantizados en equipos con mucha memoria. Para probarlo, lo práctico es una instancia con una H100 o una H200 y el servidor de SGLang delante.
Lo que el anuncio no dice
Los números son del publicador. MarkTechPost los repite, pero nadie externo los ha verificado en un entorno independiente. La comparación es contra su propia base, que RadixArk también publicó, y eso ayuda, aunque no sustituye una auditoría.
La lectura correcta es de coste por punto. Por 18 días y unas 63.000 horas de GPU, un 27B abierto gana entre dos y cuatro puntos en varias pruebas de agentes. Si eso es mucho o poco depende de lo que cueste cada punto en tu caso.
Lo que no se puede decir es que sea un modelo de frontera. Un 12,0% en Terminal-Bench 4.1 lo deja lejos de los mejores agentes cerrados. Lo interesante es la receta: tareas construidas sobre errores reales, un entrenador asíncrono y un servicio de sandboxes barato. Eso se puede repetir.






