RadixArk 在发布首款模型 DaisyRose-27B 时,把 Terminal-Bench 的单次通过率从 5.6% 到 12.0% 写成了进步。但前一个数来自 4.0 版,后一个数来自 4.1 版,运行设置也不同。翻倍的说法缺一场同条件复赛。

这款模型于 2026 年 11 月 18 日发布,以 Qwen3.8-27B 为底座,用 Miles 做强化学习。RadixArk 和 Eigent AI 筛了约 1,200 道题,训练跑了 18 天,用了 144 张 H200。BF16、FP8 和 NVFP4 权重均以 Apache 2.0 许可开放,部署团队已经可以拿自己的任务试。

两个跑分,各有一套口径

12.0% 来自 RadixArk 的 Terminal-Bench 4.1 内测,用了 mini-swe-agent 和会话摘要。5.6% 则是 Artificial Analysis 在 4.0 版上用 xhigh 设置测出的底座成绩。版本和执行设置一起变了,差值里有多少来自模型本身,目前算不出来。

<svg viewBox='0 0 640 244' width='100%' height='244' role='img' aria-label='两个分数来自不同版本及运行设置'>
<rect x='1' y='1' width='638' height='242' rx='16' fill='#fbf9f4' stroke='#e2dccf'/>
<text x='28' y='39' font-size='19' font-weight='700' fill='#b25a3a'>跑分口径未对齐</text>
<line x1='28' y1='54' x2='612' y2='54' stroke='#e2dccf'/>
<rect x='28' y='74' width='282' height='142' rx='11' fill='#f5f1e8'/>
<rect x='330' y='74' width='282' height='142' rx='11' fill='#f5f1e8'/>
<text x='48' y='103' font-size='14' fill='#7a7266'>Qwen 底座</text>
<text x='350' y='103' font-size='14' fill='#7a7266'>DaisyRose</text>
<text x='48' y='151' font-size='36' font-weight='700' fill='#2c2822'>5.6%</text>
<text x='350' y='151' font-size='36' font-weight='700' fill='#2c2822'>12.0%</text>
<text x='48' y='177' font-size='14' fill='#7a7266'>4.0 版</text>
<text x='350' y='177' font-size='14' fill='#7a7266'>4.1 版</text>
<text x='48' y='200' font-size='13' fill='#7a7266'>xhigh 设置</text>
<text x='350' y='200' font-size='13' fill='#7a7266'>内部摘要设置</text>
</svg>

Terminal-Bench 2.1 也有两条底座成绩。RadixArk 用 Terminus 2、每题跑五次,测得 DaisyRose 为 75.5%,发布稿引用的 73.0% 来自 Qwen 模型卡。UkisAI 用 Terminus 2、同样每题跑五次,测得 BF16 底座为 66.74%,同设置下的底座 FP8 成绩仍缺公开核实。框架和次数对得上,还得核对题集、工具预算、采样和计分规则。

RadixArk 每项取 BF16 和 FP8 的较高分,称两种精度都跑过的项目相差不到一个百分点,但模型卡没逐项注明采用哪种精度。截至 2026 年 11 月 19 日,4.1 官方榜单未收录这两个确切型号,公开材料里也还缺同设置、按精度拆开的独立对照。

144 张卡,大头在做题

128 张卡负责让智能体在沙箱里做题、生成轨迹,16 张卡负责用轨迹更新模型。按卡数和天数折算是 62,208 GPU 小时,RadixArk 披露约 63,000 GPU 小时。前一个数是整段运行的配置估算,逐卡做了多少有效计算还要另计。

<svg viewBox='0 0 640 220' width='100%' height='220' role='img' aria-label='训练运行中用于生成轨迹和更新模型的显卡分工'>
<rect x='1' y='1' width='638' height='218' rx='16' fill='#fbf9f4' stroke='#e2dccf'/>
<text x='28' y='39' font-size='19' font-weight='700' fill='#b25a3a'>144 张 H200 的分工</text>
<line x1='28' y1='54' x2='612' y2='54' stroke='#e2dccf'/>
<rect x='28' y='75' width='282' height='117' rx='11' fill='#f5f1e8'/>
<rect x='330' y='75' width='282' height='117' rx='11' fill='#f5f1e8'/>
<text x='169' y='130' text-anchor='middle' font-size='38' font-weight='700' fill='#b25a3a'>128 张</text>
<text x='471' y='130' text-anchor='middle' font-size='38' font-weight='700' fill='#2c2822'>16 张</text>
<text x='169' y='163' text-anchor='middle' font-size='14' fill='#7a7266'>推理生成轨迹</text>
<text x='471' y='163' text-anchor='middle' font-size='14' fill='#7a7266'>训练更新模型</text>
</svg>

异步调度让长短不一的任务可以继续跑,模型更新也不用等整批任务收工。代价是训练可能用到较早版本模型生成的轨迹。RadixArk 报告内部后端的模型 FLOPs 利用率为 37%,可比运行中的开源 Megatron 训练器为 16%。发布稿给出的 57% 降本来自训练侧 GPU 时间的折算。要算达到同等效果究竟省多少,还得把生成轨迹和运行沙箱的账一起摊开。

少量题的价值,得看产出多少有效轨迹

我更在意 RadixArk 怎么出题。团队先让底座试做,再针对已经暴露的错误改题、调难度。智能体要是能绕过题意拿到奖励,题目就得修或删。约 1,200 道是筛完的题量,分辨筛题的贡献,还得看这些题产出了多少有效轨迹,以及同等预算下换一批题会怎样。

最长 100 万 token 说的是一次任务会话。执行框架靠摘要接续任务,把会话拆成多条轨迹,模型单次上下文仍是 256K token。Miles 公开了框架,这次长程训练用的是 RadixArk 的内部后端。哪些工具状态被保留、切分后怎么给奖励,公开材料还不足以重建。

换模型之前,先把账算到每道题

独立评测最该补的是一组同条件对照。两款模型用同版题集、同一执行框架和摘要策略,固定工具预算、采样与计分规则,再分别公开 BF16 和 FP8 的成绩。训练侧则要固定效果目标,分别核算轨迹生成、模型更新和沙箱开销,再看筛题或摘要策略改动后,账单怎么变。

发布页上的 12.0% 可以作为复测起点。真要换模型,部署团队得用自己的任务重跑,看同样的工具和延迟预算下,究竟能多做成几件事。