RadixArk maakte op 20 november 2026 de release van DaisyRose-27B bekend. Het model is gebaseerd op Qwen3.8-27B en is uitsluitend verfijnd met reinforcement learning (RL), zonder supervisiedata. Volgens RadixArk haalt het nieuwe model op de benchmark Terminal Bench 4.1, die taken met een lange doorlooptijd test, meer dan twee keer zo’n hoge pass@1-score: 12,0% tegenover 5,6% voor het basismodel. Het bedrijf bracht ook checkpoints in BF16, FP8 en NVFP4 uit op Hugging Face. Het model kan draaien op één GPU, van H200-kaarten voor datacenters tot consumentenkaarten zoals de RTX 5090.
Hoe DaisyRose is getraind
Voor de training gebruikte RadixArk zijn open-sourceframework Miles op 144 H200-GPU’s gedurende 18 dagen, goed voor in totaal ongeveer 63.000 GPU-uren. Samen met Eigent AI stelde het team 1.200 taken met een lange doorlooptijd samen, die elk waren bedoeld om fouten van het basismodel aan het licht te brengen. Sessies konden tot 1 miljoen tokens bevatten en maximaal 1,5 uur duren, met meer dan 100 toolaanroepen per poging. De RL-loop draaide asynchroon: 128 GPU’s verwerkten de acties van de agent, terwijl 16 GPU’s de modelupdates uitvoerden. Daardoor lag de benutting van de rekenkracht 57% hoger dan bij een vergelijkbare open-sourcetrainer. In de negen weken dat de training liep, maakte de sandboxdienst ongeveer 944.000 sandboxinstanties aan, met een slagingspercentage van meer dan 99%.
Prestaties op benchmarks
Naast Terminal Bench 4.1 scoort DaisyRose-27B op alle genoemde benchmarks hoger dan Qwen3.8-27B. Op Terminal Bench 2.1 haalt het model 75,5%, tegenover 73,0% voor het basismodel. DeepSWE v1.1 stijgt van 42,2% naar 46,2% en SWE Bench Pro v2 van 91,3% naar 94,7%. Ook op IFBench presteert het model beter dan grotere open modellen (82,4% tegenover 79,5% voor Qwen3.8-27B) en op GPQA Diamond evenaart het GPT-6 Luna (90,7% tegenover 89,2%). Alle scores zijn de hoogste van de BF16- en FP8-runs; het verschil tussen die runs is minder dan één punt.
Waarom het ertoe doet
Ontwikkelaars kunnen nu een geavanceerde codeerassistent uitproberen zonder te betalen voor een cloud-API: het model draait op één GPU en is gratis te downloaden. De training met alleen RL laat zien dat er flinke verbeteringen mogelijk zijn zonder grote datasets met supervisiedata. Dat kan de drempel verlagen voor kleinere teams die gespecialiseerde agents willen bouwen.