RadixArk: DaisyRose-27B dobla Terminal-Bench en 18 días

Qué es DaisyRose-27B y por qué importa

RadixArk publicó DaisyRose-27B, su primer modelo de pesos abiertos, con una cifra que resume el experimento: 1.200 tareas curadas, 18 días de entrenamiento y 144 GPUs H200. El resultado más visible está en Terminal-Bench 4.1, donde el pass@1 pasó de 5,6% a 12,0% partiendo del mismo modelo base, Qwen3.8-27B.

Para un founder que construye agentes, la lectura no es otro modelo más en Hugging Face. Es una demostración de que el post-entrenamiento con refuerzo sobre un modelo abierto puede mover la aguja en tareas de agente de horizonte largo sin reentrenar desde cero, y con un presupuesto de cómputo acotado.

Los checkpoints se publicaron bajo licencia Apache 2.0 y el modelo conserva la arquitectura, el tokenizer, la plantilla de chat, la comprensión de imágenes y la ventana de contexto de 256K tokens de Qwen3.8-27B. Es decir: no hay que reaprender una API nueva ni adaptar el pipeline de inferencia.

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 →

¿Qué mejora DaisyRose-27B frente a Qwen3.8-27B?

Según la tabla publicada por RadixArk, el modelo supera al original en todos los benchmarks evaluados:

Benchmark Qwen3.8-27B DaisyRose-27B
Terminal Bench 4.1 5,6 12,0
Terminal Bench 2.1 73,0 75,5
DeepSWE v1.1 42,2 46,2
SWE Bench Pro v2 91,3 94,7
HLE (solo texto) 33,9 34,3
IFBench 79,5 82,4
GPQA Diamond 89,2 90,7

La mayor ganancia está en Terminal-Bench 4.1, la prueba de tareas de terminal en la que el modelo más que duplica su tasa de acierto. En el resto las mejoras son más modestas, entre uno y cuatro puntos, lo que es esperable cuando se parte de un modelo base ya fuerte en razonamiento y código.

RadixArk aclara que los puntajes usan el mejor resultado entre las corridas en BF16 y FP8, y que ambas difieren en menos de un punto donde se evaluaron las dos. La model card incluye las fuentes de comparación y los ajustes de evaluación.

¿Cómo entrenaron el modelo en 18 días?

El set de entrenamiento se construyó junto a Eigent AI, partiendo de su banco de tareas en machine learning, ingeniería de software y ciencia. De miles de candidatos, unos 1.200 llegaron al set final, seleccionados con tres criterios explícitos:

  • Cada tarea ataca un error concreto del modelo base. Corrieron Qwen3.8-27B en cada tarea y rediseñaron cada una alrededor de los errores que querían corregir, ajustando la dificultad hasta que la tasa de resolución cayera en un rango útil para el aprendizaje.
  • Cada tarea exige varios pasos interdependientes. El agente debe razonar, planificar y ejecutar en un trabajo largo: cada intento tiene hasta 1,5 horas de sandbox, más de 100 llamadas a herramientas y más de 256K tokens de salida.
  • La tarea premia resolver el problema de verdad. Revisaron cada tarea junto a los intentos del modelo y eliminaron o corrigieron las que se podían pasar sin resolver lo que se buscaba evaluar.

El entrenamiento corrió con Miles, el framework de RL open source de RadixArk, en modo totalmente asíncrono: mientras 128 H200 ejecutan la inferencia sobre las tareas de agente, 16 más corren el trainer y aprenden de las trayectorias. El agente sigue trabajando mientras el modelo aprende y ninguno espera al otro. Las sesiones más largas, de hasta 1M de tokens, se pliegan en múltiples trayectorias mediante summarization del harness.

La eficiencia como argumento: 57% menos costo de entrenamiento

El dato que más debería interesar a un equipo con presupuesto limitado es el de utilización de cómputo. En esta corrida, el 37% del cómputo pico de cada GPU se destinó a trabajo útil de entrenamiento (MFU) sobre el backend interno de RadixArk. El trainer open source basado en Megatron llegó al 16% en corridas comparables, lo que implica que el mismo entrenamiento necesita 57% menos tiempo de GPU.

La brecha se agranda en modelos de mezcla de expertos: 6,2× en Qwen3.6-35B-A3B y más de 10× en GLM-5.3-Flash, de unos 300.000 millones de parámetros.

En términos de punta a punta, contando el tiempo que el agente pasa resolviendo tareas, la corrida de lanzamiento entrenó a unos 16.800 tokens por segundo en sus 144 GPUs, contra unos 8.300 del trainer open source en las mismas GPUs. El proceso se mantuvo estable durante semanas, con 63.000 GPU-horas en total y sin caídas de velocidad entre el primer y el último paso.

Sandboxes: 944.000 entornos y 80% menos costo

Cada intento de entrenamiento corre en un sandbox: una copia limpia del entorno de la tarea donde el agente ejecuta comandos, edita archivos y luego es calificado. El servicio de RadixArk se construyó sobre el proyecto open source AgentENV.

Entre mediados de septiembre y mediados de noviembre corrió unos 944.000 sandboxes para este proyecto, con hasta 1.566 concurrentes. El servicio pasó de una máquina a doce, con diez actualizaciones enviadas casi todas mientras el entrenamiento seguía en marcha. En las nueve semanas, el 99% de las creaciones de sandbox fue exitoso; desde finales de octubre esa cifra supera el 99,95%.

El costo de infraestructura cloud para los sandboxes fue cerca de 80% menor que correr los mismos sandboxes con proveedores populares. Una de las palancas es dejar que la memoria asignada a cada sandbox crezca y se encoja según su uso real, lo que permite que más sandboxes compartan cada máquina.

¿Quién está detrás de RadixArk?

RadixArk no es un laboratorio improvisado. La compañía fue fundada por Ying Sheng y Banghua Zhu, veteranos de infraestructura de IA provenientes de xAI y NVIDIA, según Pulse 2.0. SGLang, el motor de inferencia sobre el que se apoya buena parte del ecosistema, nació en 2023 dentro del laboratorio de Ion Stoica en UC Berkeley, el mismo cofundador de Databricks, según TechCrunch.

En 2026 la empresa levantó una ronda semilla de US$100 millones liderada por Accel junto a Spark Capital, con participación de NVentures (el fondo de NVIDIA), AMD, Databricks y el CEO de Broadcom, Hock Tan, entre otros. The Wall Street Journal situó su valoración en US$400 millones, según reportó SiliconANGLE. Pulse 2.0 agrega que SGLang corre sobre cientos de miles de GPUs y genera billones de tokens diarios para compañías como Google, Microsoft, NVIDIA, Oracle, AMD y xAI.

El contexto del sector ayuda a dimensionar la apuesta: según TechCrunch, vLLM —el otro gran proyecto de inferencia open source, también incubado en el laboratorio de Stoica— habría conversado una ronda de hasta US$160 millones a una valoración cercana a US$1.000 millones, mientras Baseten consiguió US$300 millones a US$5.000 millones de valoración y Fireworks AI levantó US$250 millones a US$4.000 millones. La infraestructura de inferencia dejó de ser un detalle técnico y se volvió una categoría de inversión.

Miles, por su parte, ya no es solo una herramienta interna. RadixArk informó en su página oficial que la versión 0.1 acumuló 72 contribuyentes, 1.326 commits y 85 tests end-to-end de GPU, y que el framework se usa en cargas de RL de producción en humans&, Periodic Labs, Modal, Decagon, Eigent AI, Nebius e IBM, tanto en hardware NVIDIA como AMD.

¿Qué significa esto para tu startup?

La noticia es técnica, pero las decisiones que habilita son de negocio. Cuatro movimientos concretos:

  • Prueba el modelo antes de asumir que necesitas un frontier propietario. DaisyRose-27B es Apache 2.0, conserva la ventana de 256K tokens y la comprensión de imágenes, y RadixArk recomienda servirlo con SGLang y decodificación especulativa DSpark. Si tu producto hace tareas de terminal, refactorización o agentes de código, un modelo de 27B ajustado para horizonte largo puede cubrir el caso a una fracción del costo por token.
  • Copia el playbook de datos, no el modelo. El aprendizaje replicable no son los 1.200 ejemplos, es el método: correr tu modelo base sobre cada tarea candidata, rediseñar la tarea alrededor de un error específico y ajustar la dificultad hasta que la tasa de resolución caiga en una zona donde todavía haya margen de mejora. Mil tareas diseñadas así valen más que diez mil genéricas.
  • Mide tu MFU antes de comprar más GPUs. Si tu trainer rinde 16% y uno optimizado rinde 37%, estás pagando el doble de cómputo por el mismo resultado. Antes de escalar el clúster, vale la pena auditar cuánto del pico de cada GPU se convierte en trabajo útil.
  • Revisa cómo asignas memoria en tus entornos de ejecución. La palanca de memoria elástica que usó RadixArk para bajar cerca de 80% el costo de sandbox es aplicable a cualquier pipeline de evaluación de agentes que corras en la nube.

El mensaje de fondo es que la ventaja competitiva en agentes se está corriendo del acceso al modelo hacia la calidad de los datos de entrenamiento y la eficiencia de la infraestructura. Ninguna de las dos cosas requiere el presupuesto de un laboratorio frontier.

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...