RadixArk开源DaisyRose-27B:不用SFT只靠强化学习,18天把编码跑分翻倍

一家名为RadixArk的团队把首个开放权重模型扔到了开源社区,并用一句相当激进的声明吸引了所有人的注意:这个模型没有经过任何监督微调(SFT)或蒸馏,纯靠强化学习(RL)训练而来。

这个模型叫DaisyRose-27B,是一个27B参数规模的智能体编码模型,从阿里千问的Qwen3.8-27B后训练而来,采用Apache 2.0许可发布,可作为基础模型的直接替代品。核心结果相当亮眼:在Terminal Bench 4.1上,pass@1从基础模型的5.6提升到12.0,一举翻倍。

只做强化学习:1200个任务、18天、144张H200

RadixArk在模型卡中明确写道,DaisyRose-27B的训练"只用RL,没有SFT,也没有蒸馏"。这套训练流程的几个关键数字,勾勒出一幅"重算力堆智能体"的图景。

团队与Eigent AI合作,从数千个候选任务中精心挑选出约1200个任务,每一个都针对基础模型的某类具体失败。每次沙箱尝试允许长达1.5小时、100次以上的工具调用和超过25.6万的输出token,单个智能体会话可累计到100万token。

训练在RadixArk自家的开源RL框架Miles上以全异步模式完成,动用144张H200 GPU、持续18天——其中128张负责智能体推理,16张负责训练,总算力约6.3万GPU小时。效率方面,RadixArk称其内部后端达到37%的模型浮点利用率(MFU),而开源的Megatron训练器只有16%;端到端吞吐为每秒1.68万token对8300token,提速2倍,GPU时间因此减少57%。支撑这一切的沙箱运行在开源项目AgentENV上,从9月中到11月中累计约94.4万个沙箱,峰值并发达1566,9周内创建成功率99%,成本据称比主流云沙箱低约80%。

跑分全面提升,但并非全面领先

在RadixArk自报的七项基准上,DaisyRose-27B全部超过其Qwen3.8-27B基础模型。除Terminal Bench 4.1翻倍外,Terminal Bench 2.1从73.0升到75.5,DeepSWE v1.1从42.2升到46.2,SWE Bench Pro v2从91.3升到94.7,IFBench从79.5升到82.4,GPQA Diamond从89.2升到90.7。提升最小的是HLE(纯文本),仅从33.9微增到34.3。

不过在它自己列出的9款模型对比表中,DaisyRose-27B只在IFBench一项拿到第一(82.4)。面对更大的模型,差距依然明显:MiMo V2.6 Flash(309B总参数)在Terminal Bench 4.1上以16.1领先,Inkling 2 Small(594B总参数)则在DeepSWE(72.1)和HLE(44.1)上占优。换句话说,纯RL能让一个小模型在编码智能体任务上显著进阶,但要撼动体量数倍于它的MoE大模型,仍力有不逮。所有分数均为RadixArk自报,尚待第三方复现。

一张卡就能跑,架构保持不变

DaisyRose-27B保留了Qwen3.8-27B的架构:27.8B稠密参数(含0.46B视觉编码器、0.42B多token预测头),64层解码器按3:1模式排列——三层Gated DeltaNet线性注意力配一层全注意力,隐层维度5120,另有27层视觉编码器处理图像,输入支持文本与图像,是一个思考型模型,上下文长度26.2万token。

部署门槛对开源社区相当友好:单张GPU即可运行,BF16精度约52GB、FP8约29GB、NVFP4约23GB(NVFP4需Blackwell架构)。官方列出的目标硬件包括H200、B200、GB300、RTX PRO 6000、RTX 5090和DGX Spark,并额外提供GGUF版本。推理推荐搭配SGLang与DSpark投机解码,也可用vLLM直接启动。

从"纯RL不蒸馏"的路线选择,到把训练框架Miles、沙箱AgentENV一并开源,RadixArk试图证明一件事:智能体编码能力可以完全由可验证的任务奖励"练"出来,而不必依赖人工标注的示范轨迹。这条路线能否被社区复现、能否扩展到更大的模型,将决定DaisyRose-27B是一次有价值的实验,还是一条新范式的起点。