DaisyRose-27B: modelo abierto sube Terminal-Bench a 12%

¿Qué es DaisyRose-27B y qué cambia frente a Qwen3.8-27B?

DaisyRose-27B es el primer modelo de RadixArk: un ajuste por reinforcement learning sobre Qwen3.8-27B que sube el pass@1 en Terminal-Bench 4.1 del 5,6% al 12,0%. Más que duplica el desempeño en uno de los benchmarks de agentes de horizonte largo más duros que existen hoy.

El detalle que llama la atención no es el puntaje, sino cómo se llegó: 1.200 tareas curadas, 18 días y 144 GPUs H200. Nada de un cluster de miles de aceleradores ni de un dataset de millones de ejemplos. La compañía liberó checkpoints en BF16, FP8 y NVFP4 para que cualquiera pueda probarlos y construir sobre ellos.

Para un founder que evalúa si vale la pena hacer post-training propio, la pregunta relevante no es cuánto saca este modelo, sino cuánto cuesta llegar a ese resultado. Ahí está el aporte real de esta nota. Y hay un detalle de rigor que conviene mirar: el puntaje de Terminal-Bench 4.1 es el promedio de 8 corridas por tarea, con el harness interno mini-swe-agent y summarization activada.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Cómo se entrena un modelo con solo 1.200 tareas?

RadixArk construyó las tareas junto a Eigent AI, partiendo de un pool amplio de problemas de machine learning, ingeniería de software y ciencia. De miles de candidatos, unos 1.200 entraron al set final. Los criterios fueron tres:

  • Cada tarea ataca un error concreto del modelo base. Corrieron Qwen3.8-27B sobre cada tarea y la rediseñaron hasta que la tasa de resolución cayera en una zona intermedia: ni trivial ni imposible.
  • Cada tarea es un trabajo largo con problemas encadenados. Un agente debe atravesar varias etapas de razonamiento, planificación y ejecución. Cada intento tiene hasta 1,5 horas de sandbox, más de 100 llamadas a herramientas y más de 256.000 tokens de salida.
  • Sin espacio para reward hacking. Revisaron cada tarea junto a los intentos del modelo y descartaron o corrigieron las que se podían pasar sin resolverlas de verdad.

La lección de producto es incómoda pero útil: la calidad del dato pesa más que el volumen. Mil doscientas tareas bien diseñadas, con revisión manual, movieron la aguja más que un dataset gigante sin curar.

¿Cómo bajó 57% el costo de entrenamiento?

El entrenamiento corrió sobre Miles, el framework de RL open source de RadixArk, en modo totalmente asíncrono: mientras 128 H200 generan las trayectorias de los agentes, 16 más entrenan con ellas. El modelo actualizado vuelve a los 128 GPUs después de cada paso, sin que ninguna de las dos mitades espere a la otra.

Los números que reporta la compañía:

  • 37% de MFU (utilización de FLOPs del modelo) en su backend, contra 16% del trainer open source basado en Megatron en corridas comparables. El mismo entrenamiento exige 57% menos tiempo de GPU.
  • La brecha se agranda en modelos mixture-of-experts: 6,2× en Qwen3.6-35B-A3B y más de 10× en GLM-5.3-Flash, de unos 300.000 millones de parámetros.
  • 2× más rápido de punta a punta: unos 16.800 tokens por segundo en las 144 GPUs, contra 8.300 del trainer open source.
  • Estabilidad sostenida: 63.000 horas de GPU a lo largo de semanas, sin degradación de velocidad entre el primer y el último paso.

Contexto de ecosistema: Miles se bifurcó de slime e integra SGLang para el rollout y Megatron-LM para el entrenamiento, según documenta el repositorio oficial del proyecto. En su propio canal, RadixArk reporta que el framework ya corre cargas de RL en producción en humans&, Periodic Labs, Modal, Decagon, Eigent AI, Nebius e IBM, y que su reporte técnico v0.1 está publicado en arXiv.

¿Por qué los sandboxes son la parte que nadie mira?

Cada intento del agente corre en un sandbox: una copia limpia del entorno donde ejecuta comandos, edita archivos y luego se lo califica. RadixArk construyó el suyo sobre AgentENV, un proyecto open source al que también contribuyen con correcciones.

Entre mediados de septiembre y mediados de noviembre, el servicio corrió alrededor de 944.000 sandboxes, con hasta 1.566 simultáneos. Creció de una sola máquina a doce, con diez actualizaciones enviadas, casi todas con el entrenamiento en marcha. El 99% de las creaciones de sandbox funcionó a lo largo de las nueve semanas, y desde fines de octubre supera el 99,95%.

El dato que más debería interesar a un equipo con presupuesto acotado: el costo de infraestructura en la nube para esos sandboxes fue cerca de 80% menor que correr los mismos sandboxes con proveedores populares. La palanca es simple y muy copiable: asignar a cada sandbox memoria que crece y se encoge según el uso real, en lugar de reservar el máximo. Como un sandbox típicamente usa solo una fracción de lo que pide, cada máquina puede alojar muchos más.

¿Qué significa esto para tu startup?

1. El post-training dejó de ser un club exclusivo. Un resultado medible en un benchmark de agentes de horizonte largo se logró con 144 GPUs durante 18 días. Si tu equipo evalúa si puede ajustar un modelo abierto para su caso de uso, el cuello de botella ya no es el cluster: es el diseño del dato.

2. Invierte en curar tareas, no en juntarlas. El método de RadixArk es replicable a escala pequeña: corre tu modelo base sobre cada tarea candidata, quédate solo con las que falla y rediseña hasta que la tasa de éxito quede en una banda intermedia. Una tarea que tu modelo ya resuelve no le enseña nada; una que nunca resuelve, tampoco.

3. Mide tu infraestructura de sandbox antes de escalar RL. Si vas a entrenar agentes, el costo oculto está en los entornos de ejecución, no en las GPUs. Antes de firmar con un proveedor, calcula cuánta memoria usa realmente cada sandbox y si puedes sobrevenderla. Un 80% de ahorro en ese rubro cambia por completo el retorno de un proyecto de RL.

4. Prueba los checkpoints cuantizados. RadixArk liberó variantes en BF16, FP8 y NVFP4. Si tu stack de inferencia ya soporta precisión reducida, evaluar las versiones cuantizadas es la forma más barata de saber si el modelo sirve para tu producto antes de comprometer GPUs.

Conclusión

DaisyRose-27B no es un salto de frontera: es una demostración de método. Doblar el puntaje en Terminal-Bench 4.1 con 1.200 tareas y 144 GPUs dice menos sobre el tamaño del modelo que sobre la disciplina de quien lo entrena. Para el ecosistema hispanohablante, donde el acceso a cómputo sigue siendo la restricción número uno, la parte aprovechable es justamente esa: datos curados con criterio, infraestructura asíncrona y sandboxes baratos rinden más que un presupuesto grande mal asignado.

Fuentes

¿te gustó o sirvió lo que leíste?, Por favor, comparte.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Daily Shot: Tu ventaja táctica

Lo que pasó en las últimas 24 horas, resumido para que tú no tengas que filtrarlo.

Suscríbete para recibir cada mañana la curaduría definitiva del ecosistema startup e inversionista. Sin ruido ni rodeos, solo la información estratégica que necesitas para avanzar:

  • Venture Capital & Inversiones: Rondas, fondos y movimientos de capital.
  • IA & Tecnología: Tendencias, Web3 y herramientas de automatización.
  • Modelos de Negocio: Actualidad en SaaS, Fintech y Cripto.
  • Propósito: Erradicar el estancamiento informativo dándote claridad desde tu primer café.

📡 El Daily Shot Startupero

Noticias del ecosistema startup en 2 minutos. Gratis, todos los días.

Share to...