НовостьНейросетиОткрытые моделиAI-агенты

RadixArk открыла DaisyRose-27B — модель для AI-агентов с запуском на одной видеокарте

RadixArk выпустила DaisyRose-27B на базе Qwen3.8-27B. Открытые веса доступны в трёх форматах, включая NVFP4 для RTX 5090; модель рассчитана на работу с кодом, терминалом и инструментами.

Ирина Видяшкина

19.11.2026 · 4 минут чтения · Нейросети

Radixark Daisyrose 27b Open Agent Model Cover

Содержание

DaisyRose-27B: открытые веса для агентных задач

RadixArk 18 ноября выпустила DaisyRose-27B — модель на базе Qwen3.8-27B, дообученную для длительных задач AI-агентов. Разработчикам уже доступны веса BF16, FP8 и NVFP4 по лицензии Apache 2.0. Это релиз для собственного развёртывания: у модели есть официальная инструкция по запуску через SGLang, в том числе на одной совместимой видеокарте.

Для кода, терминала и цепочек действий

DaisyRose-27B обучали не только отвечать на отдельный запрос, но и выполнять задания из нескольких зависимых этапов: планировать работу, обращаться к инструментам, запускать команды и исправлять код. Такие возможности интересны разработчикам программных агентов, которым нужны собственные веса вместо зависимости от внешнего модельного API.

При дообучении команда сохранила архитектуру, токенизатор и шаблон диалога исходной Qwen3.8-27B. Поэтому DaisyRose задумана как замена базовой модели в уже совместимых системах инференса. По умолчанию она сначала формирует рассуждение, затем окончательный ответ; в SGLang для них предусмотрены отдельные поля reasoning_content и content.

Что показали тесты разработчика

RadixArk сообщает о результате 12,0% pass@1 на Terminal Bench 4.1 — тесте работы агента в терминале. На Terminal Bench 2.1 модель получила 75,5% против 73,0% у базовой Qwen3.8-27B; на DeepSWE v1.1 — 46,2% против 42,2%. Это оценки, приведённые самой командой, а не независимая проверка на произвольных проектах.

У сравнений есть существенные оговорки. Для каждого теста авторы выбрали лучший результат из прогонов BF16 и FP8; там, где проверяли оба формата, разница составила менее одного процентного пункта. Кроме того, в сравнительной таблице для части моделей использованы показатели Terminal Bench 4.0 вместо 4.1. Результаты и конфигурации агентов раскрыты в карточке модели: цифры не следует читать как универсальное превосходство в любых задачах.

Как получили новую модель

Дообучение проводили только методом обучения с подкреплением, без дополнительного supervised fine-tuning и дистилляции. В финальный набор вошло около 1200 специально отобранных заданий, подготовленных вместе с Eigent AI. По сообщению RadixArk, обучение заняло 18 дней на 144 ускорителях H200.

Задания строили вокруг ошибок базовой модели и проверяли, что агент получает награду за действительное решение, а не обход условий. Инфраструктура Miles позволяла параллельно собирать агентные траектории и обновлять модель. Опубликованные улучшения относятся именно к этому дообучению; релиз не меняет аппаратные требования исходной архитектуры автоматически.

Где попробовать

Файлы размещены в официальных репозиториях RadixArk на Hugging Face: BF16, FP8 и NVFP4. Публичная карточка и файлы основной версии открываются без заявки на доступ; вычислительные ресурсы для запуска нужны свои.

По документации, сами веса занимают примерно 52 ГБ в BF16, 29 ГБ в FP8 и 23 ГБ в NVFP4. Это не полный объём памяти сервера: дополнительно размещаются кэши и рабочие данные. NVFP4 требует GPU Blackwell. Для RTX 5090 с 32 ГБ памяти инструкция предусматривает именно NVFP4 и один поток запросов, поэтому размер весов нельзя приравнивать к возможности обслуживать длинные запросы с высокой параллельностью.

Официальный SGLang cookbook содержит конфигурации под разные карты и форматы, а также ускорение DSpark. Авторы отдельно отмечают: конфигурации GB300 с DSpark измерены на DaisyRose, остальные перенесены с базовой модели и ещё не перепроверены с новыми весами.

Как запустить DaisyRose-27B

Сопоставьте формат весов и оборудование

Откройте SGLang cookbook по ссылке выше и выберите свою карту. Для RTX 5090 используйте рецепт NVFP4; учтите память не только под веса, но и под кэши.

Подготовьте SGLang

Установите SGLang или загрузите официальный Docker-образ lmsysorg/sglang:latest согласно документации. Для ускорения DSpark предусмотрен отдельный draft-чекпойнт RadixArk.

Запустите сервер с настройками из рецепта

Используйте команду для выбранной GPU и точности. Сохраните имя обслуживаемой модели DaisyRose-27B, а также парсеры qwen3 для рассуждений и qwen3_coder для вызовов инструментов.

Проверьте ответ через совместимый клиент

Подключите OpenAI Python client к локальному адресу http://localhost:30000/v1 и отправьте короткую тестовую задачу. Итоговый ответ находится в content, рассуждение — в reasoning_content.

Вопросы о DaisyRose-27B

Веса выпущены под Apache 2.0. Эта лицензия допускает коммерческое использование при соблюдении её условий.

Хочешь узнавать первым о таких новостях?

Переходи в наш телеграм канал где мы ежедневно публикуем самые свежие и интересные новости

Хочешь узнавать первым о таких новостях?

Переходи в наш телеграм канал где мы ежедневно публикуем самые свежие и интересные новости

Чиби Новости