В мире искусственного интеллекта, где гонка за параметрами часто затмевает вопросы эффективности, команда RadixArk совершила тихий, но мощный прорыв. Они представили DaisyRose-27B — первую модель собственной разработки, которая не просто улучшает показатели, но и переосмысливает сам подход к пост-обучению (post-training) больших языковых моделей. Используя архитектуру Qwen3.8-27B в качестве фундамента и применяя метод усиленного обучения (reinforcement learning) через фреймворк Miles, исследователи достигли впечатляющих результатов: повышение показателя Terminal-Bench 4.1 pass@1 с 5,6% до 12,0% всего за 18 дней обучения на 144 GPU H200.
Это не просто еще одна версия модели. Это демонстрация того, как правильно спроектированный пайплайн данных, асинхронная архитектура обучения и надежная инфраструктура могут превратить стандартные вычислительные ресурсы в инструмент невероятной мощности. DaisyRose-27B сохраняет 256K-окно контекста, способность к пониманию изображений и совместима с существующими экосистемами, но добавляет к этому способность к сложному многошаговому планированию и выполнению задач в терминальной среде. В этой статье мы подробно разберем, как именно была достигнута эта эффективность, какие технические решения позволили снизить затраты на 57% и что это значит для разработчиков, работающих с автономными агентами.
01Фундамент и архитектура: Почему Qwen3.8-27B?
Выбор базовой модели для пост-обучения — это стратегическое решение. RadixArk остановилась на Qwen3.8-27B, сохранив ее архитектуру, токенизатор, шаблон чата и, что критически важно, окно контекста в 256 тысяч токенов. Это позволяет DaisyRose-27B работать с огромными объемами информации, что необходимо для долгосрочных сессий агентов, где история взаимодействий может быть очень длинной.
Модель доступна в трех форматах: BF16, FP8 и NVFP4. Это дает разработчикам гибкость в выборе баланса между точностью и скоростью инференса. Для тех, кто хочет запустить модель локально или в облаке с ограниченными ресурсами, форматы квантования становятся ключевыми. Однако основное внимание в релизе уделено не столько инференсу, сколько самому процессу обучения, который был оптимизирован до предела.
02Качество данных: От тысяч кандидатов к 1200 идеальным задачам
Качество обучения агентов напрямую зависит от качества данных. В отличие от стандартных датасетов, состоящих из миллионов простых примеров, RadixArk и партнер Eigent AI подошли к отбору задач с хирургической точностью. Из тысяч кандидатов в финальный набор попало всего 1200 задач. Почему так мало? Потому что каждая из них должна была решать конкретную проблему.
Отбор происходил по трем строгим критериям:
- Целевая ошибка. Каждая задача была создана вокруг конкретной ошибки, которую совершала базовая модель Qwen3.8-27B. Исследователи запускали модель на задачах, фиксировали провалы и переписывали задания так, чтобы модель училась избегать этих ошибок.
- Зависимые шаги. Задачи требовали не просто ответа, а многошагового рассуждения, планирования и исполнения. Агент должен был выполнить до 100 вызовов инструментов и сгенерировать более 256K токенов вывода в рамках одной сессии, которая могла длиться до 1,5 часов в песочнице.
- Честное решение. Каждая задача была проверена на наличие «лазеек». Если модель могла пройти тест, не решая поставленную проблему, задача отклонялась или исправлялась. Это гарантирует, что улучшения в бенчмарках отражают реальное повышение интеллекта агента, а не просто запоминание ответов.
03Технический прорыв: Фреймворк Miles и асинхронное обучение
Сердцем проекта стал фреймворк Miles — открытая система для усиленного обучения больших моделей. Главная инновация заключается в полностью асинхронном режиме работы. В традиционных подходах агенты часто ждут обновления модели, а модель ждет данных от агентов. В DaisyRose-27B этот процесс развязан: агент продолжает работать, генерируя траектории, в то время как модель уже обучается на предыдущих данных.
Архитектура распределена между 144 GPU H200:
- 128 GPU используются для запуска агентов и выполнения задач в реальном времени.
- 16 GPU выделены под процесс обучения (trainer), который анализирует траектории и обновляет веса модели.
После каждого шага обучения обновленная модель немедленно отправляется обратно на 128 GPU агентов. Это создает непрерывный цикл улучшения. Для работы с очень длинными сессиями (до 1 миллиона токенов) используется техника harness summarization, которая позволяет «свернуть» длинные траектории в более компактные представления, сохраняя при этом важную информацию для обучения.

04Эффективность: 57% снижение стоимости и 2x скорость
Результаты оптимизации инфраструктуры поражают. RadixArk сообщает о снижении стоимости обучения на 57% по сравнению с использованием открытых тренерах на базе Megatron. Ключевым показателем здесь является MFU (Model FLOPs Utilization) — доля вычислительной мощности, которая идет непосредственно на полезную работу модели. В релизе DaisyRose-27B 37% пиковой вычислительной мощности каждого GPU ушло на обучение, тогда как в сравнимых запусках с открытым ПО этот показатель составлял всего 16%.
Этот прирост эффективности особенно заметен на моделях типа Mixture-of-Experts (MoE). Например, для Qwen3.6-35B-A3B ускорение составило 6,2 раза, а для модели объемом около 300B параметров (GLM-5.3-Flash) — более чем в 10 раз. Это означает, что те же самые задачи можно решать на меньшем количестве оборудования или достигать лучших результатов за то же время.
Общая скорость обучения (end-to-end) также выросла в два раза. При скорости около 16 800 токенов в секунду на 144 GPU, открытый тренер показывал лишь 8 300 токенов в секунду на том же оборудовании. Это критически важно для итеративной разработки, где время от идеи до протестированной модели сокращается в разы.

05Стабильность и надежность: 63 000 GPU-часов без сбоев
Обучение в масштабах 144 GPU H200 в течение 18 дней — это испытание на прочность не только для алгоритмов, но и для инфраструктуры. Запуск потребовал 63 000 GPU-часов. Важно отметить, что скорость и эффективность оставались стабильными от первого до последнего шага обучения. График обучения (см. ниже) демонстрирует отсутствие провалов в производительности, что говорит о высокой надежности системы.

06Песочницы (Sandboxes): Надежная среда для агентов
Каждая попытка обучения агента происходит в изолированной песочнице — свежем окружении, где агент может запускать команды, редактировать файлы и проходить проверку. Для этого проекта RadixArk использовала проект AgentENV, к которому также внесла свои улучшения.
С сентября по ноябрь система обработала около 944 000 песочниц, с возможностью запуска до 1 566 экземпляров одновременно. Сервис эволюционировал с одной машины до кластера из 12 серверов, получив 10 крупных обновлений прямо в процессе обучения. Надежность сервиса достигла 99% успешных созданий песочниц за все 9 недель, а с конца октября этот показатель превысил 99,95%.
Особое внимание уделено экономии на облачной инфраструктуре. Благодаря динамическому изменению объема памяти для каждой песочницы в зависимости от фактического использования, удалось разместить больше агентов на каждом сервере. Это снизило затраты на облачную инфраструктуру песочниц на 80% по сравнению с популярными облачными провайдерами.

07Результаты бенчмарков: Превосходство в каждом тесте
DaisyRose-27B демонстрирует улучшение по всем ключевым метрикам по сравнению с базовой Qwen3.8-27B. Наибольший скачок наблюдается в задачах терминального взаимодействия (Terminal Bench), что логично, учитывая специфику обучения.
- Terminal Bench 4.1: Pass@1 вырос с 5,6% до 12,0% (более чем в 2 раза).
- Terminal Bench 2.1: Улучшение с 73,0% до 75,5%.
- DeepSWE v1.1: Рост с 42,2% до 46,2%.
- SWE Bench Pro v2: Улучшение с 91,3% до 94,7%.
- GPQA Diamond: Рост с 89,2% до 90,7%.
Примечательно, что результаты для форматов BF16 и FP8 практически идентичны (разница менее 1%), что подтверждает эффективность квантования для данной модели. Это позволяет использовать более легкие форматы без потери качества в большинстве сценариев.
08Как запустить DaisyRose-27B
Запуск модели прост благодаря совместимости с OpenAI API. Ниже приведен пример кода на Python для отправки запроса и получения ответа. Обратите внимание, что модель по умолчанию «думает» перед ответом, возвращая процесс рассуждения в поле reasoning_content и финальный ответ в content.
from openai import OpenAI
client = OpenAI(
base_url="http://localhost:30000/v1",
api_key="none"
)
response = client.chat.completions.create(
model="DaisyRose-27B",
messages=[
{
"role": "user",
"content": "How many positive divisors does 360 have?"
}
],
temperature=1.0,
top_p=0.95,
extra_body={
"top_k": 20,
"min_p": 0.0
},
)
print(response.choices[0].message.reasoning_content)
print(response.choices[0].message.content)Чекпоинты модели доступны под лицензией Apache 2.0, что делает их пригодными для коммерческого использования. Полные настройки инференса и свойства модели описаны в официальной карточке модели (model card).
09Что это значит на практике
Релиз DaisyRose-27B знаменует собой сдвиг парадигмы в области обучения автономных агентов. Доказано, что не нужно бесконечно увеличивать количество параметров или тратить миллионы долларов на вычислительные ресурсы, чтобы получить качественный скачок. Ключ к успеху лежит в:
- Качественной, а не количественной подготовке данных: 1200 тщательно отобранных задач, нацеленных на конкретные ошибки, дали больший эффект, чем тысячи случайных примеров.
- Асинхронной архитектуре: Разделение ролей агента и тренера позволяет использовать вычислительные ресурсы на 100% без простоев.
- Оптимизации инфраструктуры: Снижение затрат на песочницы и повышение MFU делают обучение доступным для более широкого круга исследователей.
Для разработчиков это означает, что теперь есть доступная, эффективная и мощная база для создания агентов, способных решать сложные задачи в терминальной среде. Использование DaisyRose-27B в качестве основы для дальнейших специализированных дообучений может стать золотым стандартом в индустрии. Мы рекомендуем всем, кто работает с задачами программирования, системного администрирования или научных вычислений, протестировать эту модель и поделиться результатами в сообществе.
Источник: Hugging Face ↗
