RadixArk publie DaisyRose-27B, un Qwen3.8-27B réentraîné par renforcement sur des tâches d'agents longues. Le gain est net, le score absolu reste bas, et l'argument réel porte sur le coût par point gagné.
DaisyRose-27B n'est pas un nouveau modèle, c'est un Qwen3.8-27B réentraîné
RadixArk a publié DaisyRose-27B le 18 novembre, avec une reprise presse deux jours plus tard. Le point de départ est un modèle ouvert existant: Qwen3.8-27B. L'architecture, le tokenizer, le template de conversation, la compréhension d'images et la fenêtre de 256 000 jetons ne changent pas.
Ce qui change tient à une seule phase d'entraînement. RadixArk n'a fait que du reinforcement learning, sur des tâches d'agents à horizon long, avec des sessions pouvant atteindre un million de jetons, dans son propre cadre open source, Miles. Aucun pré-entraînement, aucune modification d'architecture.
La sortie est en open weights sous licence Apache 2.0, en trois formats: BF16, FP8 et NVFP4. C'est le genre de détail qui compte pour une équipe qui veut servir le modèle sur son propre matériel sans repasser par une conversion.
Terminal-Bench 4.1 : de 5,6 % à 12,0 %, les deux moitiés du chiffre
Le chiffre qui porte l'annonce est une progression sur Terminal-Bench 4.1, un test où l'agent doit accomplir des tâches dans un terminal. La métrique est le pass@1: la réussite du premier essai.
Qwen3.8-27B obtient 5,6 %. DaisyRose-27B obtient 12,0 %. Le score a plus que doublé, et il reste bas dans l'absolu: un agent qui échoue huit fois sur dix n'est pas un agent autonome, il est un bon brouillon. Les deux moitiés de la phrase doivent rester ensemble, sinon le chiffre raconte autre chose.
Les autres scores de DaisyRose-27B, ligne par ligne
Le tableau complet va dans le même sens, avec des écarts plus modestes. RadixArk indique que le modèle réentraîné fait mieux que le modèle d'origine sur chaque test rapporté.
Test | Qwen3.8-27B | DaisyRose-27B |
|---|---|---|
Terminal-Bench 4.1 (pass@1) | 5,6 % | 12,0 % |
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 % |
HLE texte seul | 33,9 % | 34,3 % |
Deux précautions de lecture. Les scores retenus sont les meilleurs des passages en BF16 et en FP8, qui diffèrent de moins d'un point quand les deux ont été évalués. Et un gain de 3,4 points sur SWE Bench Pro v2 ne veut pas dire que le modèle résout 3,4 % de problèmes en plus dans votre dépôt: les tests publics sont saturés, et les progrès y sont mécaniquement plus durs à lire.
Comment 1 200 tâches ont été construites
La méthode compte plus que le tableau. RadixArk a bâti ses tâches avec Eigent AI, à partir d'un vivier de plusieurs milliers de candidats, dont environ 1 200 ont été retenus.
Chaque tâche vise une erreur que le modèle de base commet réellement. Elle exige plusieurs étapes interdépendantes, et elle a été relue pour qu'on ne puisse pas la réussir sans résoudre le problème visé. Un essai dispose de 1,5 heure dans un bac à sable, avec plus de 100 appels d'outils et plus de 256 000 jetons de sortie.
C'est une définition exigeante du travail d'agent. Elle explique aussi le score absolu: les tâches ne sont pas des questions, ce sont des chantiers.
Miles, ou l'ingénierie qui rend le reinforcement learning supportable
La partie que d'autres équipes copieront n'est pas le modèle, c'est la mécanique. Miles tourne en mode totalement asynchrone: 128 H200 font de l'inférence sur les tâches pendant que 16 autres entraînent, et le modèle mis à jour repart vers la ferme d'inférence après chaque étape.
RadixArk annonce 37 % d'utilisation des FLOPs du modèle, contre 16 % pour l'entraîneur open source basé sur Megatron sur des exécutions comparables. En bout de chaîne, cela donne 57 % de temps GPU en moins pour le même entraînement, et environ 16 800 jetons par seconde sur 144 GPU, contre 8 300 pour l'entraîneur open source sur le même matériel.
Le chiffre le plus parlant est ailleurs: 63 000 heures de GPU sur neuf semaines, sans ralentissement. Pour une équipe de trois personnes à Paris, ce budget se négocie, il ne s'improvise pas. L'intérêt de Miles est de faire baisser la facture, pas de la rendre nulle.
944 000 bacs à sable en neuf semaines
Un agent qui travaille une heure et demie par essai a besoin de machines jetables. RadixArk a construit son service sur le projet open source AgentENV: environ 944 000 bacs à sable entre la mi-septembre et la mi-novembre, jusqu'à 1 566 en parallèle.
La fiabilité annoncée est de 99 % de créations réussies sur les neuf semaines, et au-dessus de 99,95 % depuis la fin octobre, pour un coût cloud inférieur d'environ 80 % aux fournisseurs de bacs à sable courants. Sans cette pièce, l'entraînement s'arrête au premier pic de charge.
Ce que les benchmarks de RadixArk ne prouvent pas
Les chiffres viennent de l'éditeur. MarkTechPost ne fait que les reprendre, et aucun laboratoire indépendant ne les a reproduits à ce jour.
L'économie de 57 % vaut face à un entraîneur open source donné. Elle ne se généralise pas à tous les modèles. Combien de points de MFU gagnerait votre propre pile ? Personne ne le sait avant de mesurer. Aucun tarif hébergé n'a été annoncé non plus, ce qui empêche de comparer le coût d'usage à celui d'un modèle fermé.
Ce qu'il faut retenir avant de télécharger DaisyRose-27B
Le modèle est taillé pour les agents de code, pas pour la conversation générale. Le servir avec SGLang et le décodage spéculatif DSpark est la recommandation de l'éditeur, avec le raisonnement dans reasoning_content et la réponse dans content.
Les trois formats publiés ont un intérêt concret en Europe: les cartes récentes lisent nativement le FP8 et le NVFP4, ce qui évite de doubler la facture de mémoire. Le vrai apport de DaisyRose-27B reste la recette, un budget de post-entraînement documenté sur des tâches vérifiables, plus qu'un nouveau plafond de performance.






