11月18日,RadixArk开源了它的第一个模型DaisyRose-27B。基座是阿里的Qwen3.8-27B,做的事只有一件:用1200条精心构造的长程任务做强化学习后训练,把模型在终端里连续干活的能力往上抬。结果是在Terminal-Bench 4.1上的首试通过率从5.6%升到12.0%,绝对值不高,但相对基座翻了一倍多。权重以Apache 2.0放出,BF16、FP8、NVFP4三个版本齐备。
这家团队与Eigent AI合作,从后者在机器学习、软件工程、科学计算等领域的任务池里构造了数千条候选,最终只有约1200条进入训练集。筛选标准有三条:每条任务都要对准基座模型会犯的具体错误;每条任务的解决率要落在既不太容易也不太难的区间;每条任务都必须是多步依赖的连续作业,而不是可以被一句话绕过的单选题。
这套做法与堆数据的路子相反。通用后训练习惯用海量样本覆盖尽可能多的分布,长程智能体任务却很难这样处理,因为一条任务的成本太高:单次尝试最长1.5小时、超过100次工具调用、输出超过25.6万词元。样本数量一旦上不去,就只能靠单条样本的信息密度,而密度取决于它是否精准命中了模型的实际缺陷。
更关键的一步是逐条复核。团队把每条任务连同模型在它上面的尝试记录一起看,凡是可以不真正解决问题就能通过的、或者设计存在漏洞的,全部修掉或剔除。这一步花的时间不比训练少,但它决定了后面的强化学习是在学本事还是在学钻空子。
官方公布的对比表里,提升最明显的是Terminal-Bench 4.1,从5.6%到12.0%。其他项目升幅平缓:Terminal-Bench 2.1从73.0到75.5,SWE-Bench Pro v2从91.3到94.7,DeepSWE v1.1从42.2到46.2,GPQA Diamond从89.2到90.7,IFBench从79.5到82.4,Humanity's Last Exam文本部分从33.9到34.3。
把这张表竖着看,会比横着看更有信息量。简单基准已经接近饱和,能提升的空间本来就只有几个百分点;难的基准分数低,翻倍之后仍然很低。12.0%意味着接近九成的终端任务它还是过不了,这不是失败,而是长程任务当前的真实水位:模型能连做几十步,但任何一步出错都会让整条链断掉。
另一个必要提醒是口径。以上全部是团队自己的数字,跑在自己的评测脚手架上,目前没有第三方复现。翻倍这个说法成立的前提是基座分数5.6%测得准;若换一套脚手架,两个数字都可能移动。判断一个智能体模型能不能用,最终还是要放到自己的仓库和工具链里跑一遍。
训练侧的工程设计比分数更值得同行看。RadixArk用自研的Miles框架做完全异步的强化学习:128张H200持续跑智能体任务做推理,另外16张跑训练器,从轨迹里学习。模型每更新一步就同步到推理侧,两边互不等待。整个发布训练跑在144张H200上,共6.3万GPU小时。
异步的关键收益是利用率。同步强化学习里,训练器要等采样跑完才能更新,采样侧要等权重更新才能继续,两边轮流空转。异步把这段空转压掉之后,官方报出的模型浮点利用率是37%,而基于Megatron的开源训练器在同类跑法上只有16%,折算下来同样的训练省57%的GPU时间。端到端吞吐约为每秒1.68万词元,开源方案约8300。
这一层的意义在成本结构上。长程任务的轨迹极长,单条会话可以到100万词元,靠摘要折叠成多段轨迹才能塞进训练。能跑通这种长度且不崩的训练栈,比模型本身更稀缺。团队同时开源了Miles,等于把"怎么在有限算力下训出长程智能体"这道工序交了出来。
训练过程中每一次尝试都跑在独立沙箱里:环境是任务的一份新拷贝,智能体在里面执行命令、改文件,然后被打分。整个发布训练跑了约94.4万个沙箱,用12台机器最高同时开到1566个并发,九周内创建成功率99%。
沙箱数量这个指标透露的是评测强度。94.4万次尝试分摊到1200条任务上,平均每条任务被反复跑了近八百次。只有次数足够多,才能看出某个解法是真的解决了问题还是碰巧通过了检查。团队还通过内存超分把云成本压低约八成,这部分节省直接决定了训练能不能跑满18天。
对想自建智能体的人,这段经验可以照搬:先别急着加任务,先把验收环境做扎实。验收不严,强化学习会找到所有能过检查的捷径;验收够严,哪怕只有一千多条任务,也能把能力推上一个台阶。任务数量的天花板,往往取决于验收的质量而不是相反。
发布形态是三个精度、Apache 2.0、推荐用SGLang配合投机解码部署,本地起一个OpenAI兼容接口即可。270亿参数的稠密模型,量化之后可以在团队已有的机器上跑,不需要排队等云上配额。这一点对做内部工具的团队比分数更重要:能把模型放在自己的网络里,才敢让它读内部仓库。
它的定位也很清楚,不是通用聊天模型,而是面向终端与代码仓库的作业模型。官方保留了基座的分词器、对话模板、视觉能力与25.6万词元原生上下文,训练时通过摘要把会话拉到100万词元。这意味着它继承的不只是能力,还有基座在中文与多模态上的积累。
选择它的理由和拒绝它的理由都很具体。理由是同价位里少有专门为长程终端任务调过的开源权重;理由是12.0%的绝对水平意味着仍然需要人盯着,任何涉及生产环境的操作都要有人工确认环节。把它当成一个能干杂活但会犯错的实习生,比当成自动化工具更接近实际。