18 ноября 2026 г.
DaisyRose-27B: открытую модель для агентных задач можно запустить на видеокарте с 32 GB
Для RTX 5090 авторы рекомендуют DaisyRose-27B в формате NVFP4: веса занимают примерно 23 GB.

RadixArk выпустила DaisyRose-27B с открытыми весами 18 ноября. Модель можно запускать у себя через SGLang, который обслуживает запросы к модели.
Что изменили обучением. За основу авторы взяли Qwen3.8-27B и дообучили её только reinforcement learning, то есть через оценку результатов выполненных задач. Они обошлись без SFT и distillation: обучение на готовых образцах ответов и перенос поведения другой модели не использовали. На примерно 1 200 задач ушли 18 дней работы 144 H200.
Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.
В замерах RadixArk DaisyRose выполнила с первой попытки 12,0% задач Terminal Bench против базовых 5,6%, но результаты получены на разных версиях теста: 4.1 и 4.0 соответственно. Авторы сохранили архитектуру базовой модели, tokenizer и chat template. Обработка изображений и контекст 256K тоже остались прежними. Во время обучения сессии доходили до 1M токенов за счёт суммаризации, без увеличения окна модели.
Как запустить у себя. Веса доступны на Hugging Face под Apache 2.0 в форматах BF16, FP8 и NVFP4. Они занимают примерно 52, 29 и 23 GB соответственно. Основной репозиторий содержит BF16, а для RTX 5090 с 32 GB документация рекомендует только NVFP4 с одним потоком.
SGLang устанавливается командой `uv pip install --prerelease=allow sglang`. Официальный cookbook генерирует команду запуска под видеокарту и формат весов. Для структурированных ответов нужны `--reasoning-parser qwen3 --tool-call-parser qwen3_coder`: без них клиент получает рассуждения и вызовы инструментов обычным текстом.
DSpark включается флагами `--speculative-algorithm DSPARK --speculative-draft-model-path RadixArk/Qwen3.8-27B-DSpark`. Этот отдельный draft checkpoint, который предлагает основной модели продолжения для проверки, подходит и для DaisyRose-27B.
RadixArk также сравнила собственную систему обучения с open-source trainer на Megatron. На тех же 144 GPU, с учётом выполнения агентных задач, она получила примерно 16 800 токенов/с против 8 300. Доля используемой теоретической вычислительной производительности, MFU, составила 37% против 16%. По расчётам авторов, расход GPU-времени сократился на 57%.
Источники: [RadixArk, 18 ноября 2026 года](https://huggingface.co/blog/RadixArk/daisyrose-27b-pushing-the-frontier-of-post-trainin).
RadixArk опубликовала веса DaisyRose-27B вместе с рецептом запуска через SGLang.
Первоисточник