先说结论:把教案撤了、只留考试,模型也能变强。DaisyRose-27B 靠纯强化学习,把 Terminal Bench 4.1 的通过率从 5.6% 干到 12.0%,翻了一倍多。
但 12% 的意思是 100 道题只过 12 道,离「能当工具」还差一大截。这份发布最值钱的不是分数,是验证了一条路线:不喂标准答案,也能训出会干活的模型。
11 月 18 日,RadixArk 放出这个开放权重模型,基座是 Qwen3.8-27B,Apache 2.0,可直接替换基座(据 RadixArk 博客与 Hugging Face 模型卡,AlexTech 11 月 21 日汇总转发)。先压一句前提:下面所有分数都是自报,还没有第三方独立复测。


先说结论:变强了,但别急着当工具
把最重要的放在最前面:它证明的是「只用 RL 训编码模型这条路能走通」,不是「27B 能顶一个初级工程师」。12.0% 相对 5.6% 是翻倍,但对干活来说,两个数字都不够看。
说句我的判断:普通用户别指望它马上替你写代码;做模型的团队倒值得盯紧——它用极小的后训练开销,把基座能力推了一截,这个性价比在开源圈很扎眼。

一把撤掉的教案
常见后训练分两步:先做监督微调(SFT),拿人写的标准答案教模型照着学;再做强化学习(RL),在标准答案附近给答案排高低。这次 RadixArk 把第一步整个撤了(据模型卡),既不 SFT、也不蒸馏,直接让模型在任务里试错。
区别就是「教」和「考」:SFT 把答案喂到嘴边,RL 只给对错信号。基座哪里答错,就专门造任务逼它反复撞墙,撞对才给正反馈。
约 1200 个任务入选,从数千个候选里筛出来,每个都对准基座的一个具体失败。一次尝试最长 1.5 小时,能打出超过 100 次工具调用、超过 25.6 万输出 token,agent 会话最长能到 100 万 token。
这套「错题集」和差生刷题一个道理:不背满分作文,把错的地方练到条件反射。注意口径:任务是和 Eigent AI 一起造的,选题和改题花的功夫,占整份成本的很大一块。

5.6% 到 12% 意味着什么
把数字翻译成人话:Terminal Bench 4.1 是让模型在真实终端里连续干活的基准,pass@1 是「一次就做对」。成绩从 5.6% 到 12.0%,等于 100 道题从过 5 道变成过 12 道(据 RadixArk 博客,8 次重复取平均)。
但别被翻倍带偏:12.0% 离「能放手用」还很远。同一张表上,MiMo V2.6 Flash(309B)拿到 16.1,Inkling 2 Small(594B)在 DeepSWE、HLE 上领先,DaisyRose 只在 IFBench 拿了个第一(82.4 分)。
我的判断:翻倍说明 RL-only 方法论管用,但 27B 这个体量,撑不起更强的 agent 能力。而且这九模型对比全来自 RadixArk 自家模型卡,参考时得打折扣。
其他自报基准印证同一张画像:编码类全面涨(DeepSWE v1.1 +4.0、SWE Bench Pro v2 +3.4、Terminal Bench 2.1 +2.5),知识类几乎没动(纯文本 HLE +0.4、GPQA Diamond +1.5)——力气全砸在会干活上。

18 天 144 张卡的账单
亮账本:18 天、144 张 H200,其中 128 张跑推理、16 张训练,合计约 63000 GPU 小时(据 RadixArk 博客)。9 月中到 11 月中约 94.4 万次 sandbox 创建(峰值并行 1566 个、成功率 99%),成本另算。
我粗算一笔(只是粗算):按租卡每小时 2 到 3 美元,63000 卡时约合 12.6 万到 18.9 万美元,折人民币 90 万到 135 万。再按电费粗估:单卡满载约 700 瓦,63000 卡时约 4.4 万度电,每度 0.7 元约 3 万元——理想化裸算,真实机房还得翻几倍。
「只用 RL 所以省钱」要拆开说:省的是训练开销,前提是 sandbox 和任务设计成本有人兜着。RadixArk 说自家算力效率 37%、开源 Megatron 系只有 16%,训练省 57% GPU 时间,框架 Miles 已在 GitHub 开源。
换个参照:一次公开预训练动辄几十万卡时,这个量级在后训练里算小的。模型变强的门槛不在卡,在能造出好任务的人、稳得住的评测环境,以及宣称比主流云便宜 80% 的那套沙箱。

小团队能不能复现
好消息是门槛真不高:权重在 Hugging Face 和 ModelScope 都能下,单卡可跑——BF16 约 52GB、FP8 约 29GB、NVFP4 约 23GB(仅 Blackwell)。模型是 27.8B 稠密参数、262144 token 上下文、保留图文输入(据模型卡)。
但复现有两个坎。一是任务数据没全量公开,1200 道「错题集」的筛选手艺才是核心,只给框架不给题,等于给了考卷没给题库。
二是分数全自报,Terminal Bench 4.1 用的是自家 mini-swe-agent 评测环境,换个评测器未必还是 12.0。沙箱那层也不能忽视,agent 训练靠大量并行环境跑长会话,自己搭一套稳定 sandbox,是第二道硬活。
我的判断:小团队能复现一半——拉开源的 Miles、租几卡小规模跑通流程,完全现实;想复现「翻倍」那种效果,得先有本事造出同样刁钻的任务集,这比买卡难多了。

适合谁、不适合谁
适合谁:想验证 RL-only 路线的研究者;愿意接受 12% 通过率、用「多试几次加重试」兜底的 agent 编码工具团队;还有就想在本地单卡跑个开源编码模型的玩家。
不适合谁:指望它直接替代工程师的;看见「翻倍」就冲、不看绝对值的;对自报分数零容忍的严谨派——在 12.0% 被独立复测之前,它只能算「声称」。
一句话收尾:这场实验最漂亮的地方不是 12%,而是证明「撤掉教案只留考试」,真能把模型教得更会干活。路线值得记住,分数等复测。