RadixArk가 20일 공개한 DaisyRose-27B는 새로 설계한 모델이 아니다. Qwen3.8-27B의 구조와 토크나이저, 채팅 템플릿, 이미지 이해, 256K 컨텍스트를 그대로 두고 reinforcement learning만으로 다시 훈련한 결과물이다.
DaisyRose-27B가 새 모델이 아닌 이유
베이스 모델을 바꾸지 않았다는 점이 이 릴리스의 출발점이다. 같은 아키텍처에 같은 토크나이저, 같은 채팅 템플릿, 같은 이미지 이해를 쓴다. 바뀐 것은 가중치뿐이고, 그 가중치는 긴 에이전트 작업을 끝내는 방식으로 강화학습(reinforcement learning)을 거쳤다. 체크포인트는 Apache 2.0 라이선스로 BF16, FP8, NVFP4 세 형식이 공개됐다.
Terminal-Bench 4.1에서 두 배가 된 점수
가장 큰 변화는 터미널 과제에서 나왔다. Terminal-Bench 4.1 pass@1이 5.6%에서 12.0%로 올랐다. 두 배가 넘는 상승이지만 절대값은 여전히 낮다. 열 번 시도해 한 번 남짓 성공하는 수준이고, 이 점수를 터미널을 완전히 다룬다는 증명으로 읽으면 곤란하다.
나머지 항목도 같은 방향으로 움직였다. 아래 표는 RadixArk가 공개한 값이다.
벤치마크 | 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% |
IFBench는 79.5%에서 82.4%, HLE 텍스트는 33.9%에서 34.3%로 올랐다. 표에 적힌 모든 항목에서 베이스 모델을 앞섰다는 것이 회사 설명이다. 점수는 BF16과 FP8 실행 중 높은 값을 쓴 것이고, 둘 다 잰 항목에서는 차이가 1점을 넘지 않았다.
DaisyRose-27B의 1,200개 과제는 어떻게 만들어졌나
과제는 Eigent AI와 함께 만들었다. 후보 수천 개 중 1,200개가량이 최종 세트에 남았다. 각 과제는 베이스 모델이 실제로 틀리는 지점을 겨냥하고, 서로 얽힌 여러 단계를 요구한다. 의도한 문제를 풀지 않고는 통과할 수 없도록 검수했다는 설명이다. 한 번의 시도에는 최대 1.5시간이 주어지고, 도구 호출 100회와 출력 256K 토큰을 넘길 수 있다.
RadixArk의 Miles와 144장 H200이 만든 학습 비용
어디서 시간이 줄었을까? RadixArk가 공개한 Miles는 완전 비동기로 돈다. H200 128장이 에이전트 과제 추론을 맡고, 16장이 트레이너를 돌린다. 학습 결과는 매 단계마다 추론 쪽으로 다시 밀어 넣는다.
회사가 잰 모델 FLOPs 사용률은 37%로, 같은 조건의 오픈소스 Megatron 기반 트레이너 16%의 두 배가 넘는다. 같은 학습에 GPU 시간은 57% 덜 들었고, 처리량은 초당 16,800토큰으로 8,300토큰보다 많았다. 9주 동안 63,000 GPU시간을 쓰면서 속도 저하가 없었다는 설명도 붙는다.
RadixArk 샌드박스 서비스가 만든 차이
학습만 싸게 만들어서는 부족하다. 시도마다 격리된 환경이 필요하기 때문이다. 회사는 오픈소스 AgentENV를 기반으로 샌드박스 서비스를 돌렸다. 9주 동안 약 944,000개를 만들었고, 동시 실행은 최대 1,566개까지 갔다. 생성 성공률은 99%였고 10월 말 이후로는 99.95%를 넘었다. 클라우드 비용은 시중 샌드박스 제공자보다 80%가량 낮았다는 주장이다.
DaisyRose-27B 성적표를 읽는 방법
모든 숫자는 RadixArk가 자기 벤치마크에서 잰 값이다. 비교 대상도 자기가 공개한 베이스 모델이다. 절대 점수가 낮은 에이전트 과제에서 두 배는 의미가 있지만, 그것만으로 실무 코드 에이전트의 완성도를 말하기는 이르다. 이 글의 값은 성적표보다 예산표에 있다. 같은 결과를 절반의 GPU 시간으로 냈다는 주장이 사실이라면, 27B급 모델을 자체 튜닝하려는 팀의 계산이 달라진다.
국내에서 H200 144장을 9주 굴릴 수 있는 팀은 많지 않다. 그런 팀에게도 한국어 주석과 오래된 사내 저장소가 섞인 코드는 별도 검증 대상이다. 이 벤치마크가 그 조건을 재지는 않는다. 다음 확인 지점은 SGLang과 DSpark 추론 조합에서 실제 지연이 얼마나 나오는지, 공개된 체크포인트가 사내 평가에서도 12.0% 근처를 유지하는지다.






