# RadixArk brengt DaisyRose-27B uit, een codeermodel dat alleen met RL is getraind

> Het model met 27 miljard parameters haalt een pass@1-score van 12% op Terminal Bench 4.1 en draait op één GPU. De gewichten zijn open source onder Apache-2.0.

Oossa · 2026-11-20 · https://oossa.com/nl/radixark-releases-daisyrose-27b-an-rl-only-coding-model

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.

## De feiten

- DaisyRose-27B is een model met 27 miljard parameters, gebaseerd op Qwen3.8-27B.
- De training gebruikte 1.200 samengestelde taken, 18 dagen op 144 H200-GPU’s en 63.000 GPU-uren.
- Na verfijning met RL stijgt de pass@1-score op Terminal Bench 4.1 van 5,6% naar 12,0%.
- Het model draait op één GPU; de BF16-gewichten zijn ongeveer 52 GB, de FP8-gewichten 29 GB en de NVFP4-gewichten 23 GB.
- Alle checkpoints zijn onder de Apache-2.0-licentie uitgebracht op Hugging Face.

## 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.

## Bronnen en referenties

1. [RadixArk Ships DaisyRose-27B, a 27B Agentic Coding Model Trained With Reinforcement Learning Only](https://www.marktechpost.com/2026/11/20/radixark-daisyrose-27b-agentic-model/) – MarkTechPost, 2026-11-20
2. [RadixArk](https://huggingface.co/RadixArk/DaisyRose-27B?utm_source=openai) – RadixArk
3. [RadixArk](https://www.radixark.com/blog/daisyrose-27b?utm_source=openai) – RadixArk

Laatst bijgewerkt: 2026-11-20
