A RadixArk apresentou o DaisyRose-27B, o seu primeiro modelo, construído sobre o Qwen3.8-27B e treinado com aprendizagem por reforço através da framework open-source Miles. Segundo o próprio fabricante, o treino incidiu em tarefas de agente de longo horizonte, com sessões que podem chegar a 1 milhão de tokens, usando cerca de 1.200 tarefas curadas. A execução completa demorou 18 dias em 144 GPU H200.

Os resultados apresentados pela empresa destacam sobretudo o Terminal-Bench 4.1, em que a métrica pass@1 subiu de 5,6% para 12,0%. Noutros testes indicados no artigo, o modelo passa de 73,0 para 75,5 no Terminal Bench 2.1, de 42,2 para 46,2 no DeepSWE v1.1 e de 91,3 para 94,7 no SWE Bench Pro v2. Os números são comunicados pela própria equipa, que afirma usar a melhor de duas execuções, BF16 ou FP8. Não foram incluídas, no material analisado, avaliações independentes.

Segundo a RadixArk, a qualidade dos dados foi o primeiro pilar do projeto. As tarefas foram construídas em parceria com a Eigent AI, a partir de um conjunto amplo em áreas como aprendizagem automática, engenharia de software e ciência. Cada tarefa foi redesenhada em torno de erros concretos do modelo original, e tarefas que podiam ser resolvidas sem o problema pretendido foram corrigidas ou removidas. Cada tentativa dispõe de até hora e meia num sandbox, com mais de 100 chamadas de ferramentas.

No plano técnico, o treino decorreu em modo assíncrono: 128 GPU H200 executam a inferência das tarefas do agente e 16 treinam o modelo, que é atualizado a cada passo. A empresa afirma que a sua infraestrutura interna reduz em 57% o custo de treino face a um treinador open-source baseado em Megatron, com um aproveitamento de computação de 37% contra 16%. Indica ainda cerca de 16.800 tokens por segundo contra 8.300 no mesmo hardware, o que corresponde a um ganho de aproximadamente 2 vezes de ponta a ponta. São alegações do fabricante, ainda sem verificação externa.

Quanto a disponibilidade, os checkpoints BF16, FP8 e NVFP4 são publicados sob licença Apache 2.0, segundo a fonte. O modelo mantém a arquitetura, o tokenizador, o modelo de conversação, a compreensão de imagens e a janela de contexto de 256 mil tokens do Qwen3.8-27B. A RadixArk recomenda servi-lo com SGLang e decodificação especulativa DSpark, e o modelo raciocina antes de responder por defeito, devolvendo o raciocínio num campo separado.

Para leitores em Portugal, o anúncio não indica preços, condições comerciais específicas ou regras regionais de utilização. Quem quiser testar o DaisyRose-27B deve confirmar na página oficial do modelo a licença exata, os requisitos de hardware e os formatos disponíveis, bem como avaliar com dados próprios se os ganhos anunciados se mantêm nos casos de uso concretos de cada organização.

Porque importa

Para leitores em Portugal, o anúncio é relevante sobretudo para programadores, equipas técnicas e instituições que avaliam modelos abertos para agentes de programação e automação. Uma licença Apache 2.0 e checkpoints em vários formatos podem facilitar a experimentação local, mas a adoção exige confirmar os termos oficiais, os requisitos de hardware e o desempenho em tarefas próprias. Os ganhos apresentados vêm do próprio fabricante, pelo que a decisão deve assentar em testes independentes antes de qualquer migração de sistemas em produção.

Fontes

DaisyRose-27B: Pushing the Frontier of Post-Training EfficiencyHugging Face ↗