Voltar
RadixArk lança DaisyRose-27B: Novo modelo de IA focado em eficiência e raciocínio avançado

RadixArk lança DaisyRose-27B: Novo modelo de IA focado em eficiência e raciocínio avançado

Aprofundamento CEVIU

Aprofundamento

A RadixArk lançou o DaisyRose-27B, seu primeiro modelo de IA, que é uma versão pós-treinada do Qwen3.8-27B. O modelo foi otimizado via reinforcement learning, utilizando a plataforma Miles, e treinado por 18 dias com 144 GPUs H200. Ele processou até 1 milhão de tokens por sessão em 1.200 tarefas curadas de agente de longo horizonte. O DaisyRose-27B eleva a taxa de aprovação (pass@1) no Terminal-Bench 4.1 de 5,6% para 12,0%, além de melhorar o desempenho em benchmarks de raciocínio, seguimento de instruções e codificação. Ele mantém a arquitetura, tokenizer, template de chat, compreensão de imagem e janela de contexto de 256K tokens do Qwen3.8-27B.

O treinamento assíncrono com o framework Miles reduziu os custos em 57% e dobrou a velocidade. A metodologia incluiu tarefas projetadas com a Eigent AI para correção de erros e passos interdependentes. A RadixArk recomenda usar o DaisyRose-27B com SGLang e decodificação especulativa DSpark. Por padrão, o modelo elabora seu raciocínio antes de fornecer a resposta final, com o raciocínio em reasoning_content e a resposta final em content.

O que mudou

O DaisyRose-27B representa um avanço significativo para o modelo base Qwen3.8-27B. Enquanto o CEVIU noticiou em 18 de agosto de 2026, em "OrcaRouter Otimiza Modelo de IA Qwen3.8-27B-Uncensored para Apple Silicon", a otimização desse modelo para hardware específico, o lançamento da RadixArk agora mostra um pós-treinamento focado em desempenho e eficiência em tarefas de agente. Além disso, em 13 de agosto de 2026, "Qwen3.8 eleva o patamar da codificação e execução de agentes em IA" já destacava as capacidades do Qwen3.8 original em codificação e tarefas complexas, e o DaisyRose-27B agora aprimora essas capacidades com um aumento substancial no Terminal-Bench 4.1 e em outros benchmarks de raciocínio e codificação.

Por que isso importa

Para desenvolvedores e cientistas de dados trabalhando com modelos de linguagem grandes, o DaisyRose-27B oferece um modelo de agente aprimorado, especialmente em tarefas de longo horizonte e raciocínio complexo. A melhoria no Terminal-Bench 4.1 indica uma maior capacidade de resolver problemas práticos e com múltiplas etapas. A eficiência no treinamento, com redução de custos e aumento de velocidade usando o Miles, sugere que o desenvolvimento de modelos especializados pode se tornar mais acessível. A abordagem de "pensar antes de responder" por padrão, com raciocínio explícito, pode ser valiosa para depuração e para entender o processo decisório do agente.

Linha do tempo

  1. Lançamento do Qwen3.8, destacando capacidades em codificação e execução de agentes.

  2. OrcaRouter lança otimização do Qwen3.8-27B-Uncensored para Apple Silicon.

  3. RadixArk lança DaisyRose-27B, modelo pós-treinado do Qwen3.8-27B focado em eficiência e raciocínio avançado.

Perguntas frequentes

O que é o DaisyRose-27B?

É o primeiro modelo de IA da RadixArk, baseado no Qwen3.8-27B, otimizado por reinforcement learning. Ele foca em eficiência e raciocínio avançado, melhorando significativamente o desempenho em benchmarks como o Terminal-Bench 4.1.

Como o DaisyRose-27B foi treinado?

Foi treinado por 18 dias usando 144 GPUs H200, processando até 1 milhão de tokens por sessão em 1.200 tarefas de agente de longo horizonte. O treinamento usou o framework Miles em modo assíncrono, resultando em 57% de redução de custos e o dobro da velocidade.

Quais são as principais melhorias do DaisyRose-27B?

O modelo elevou a taxa de aprovação (pass@1) no Terminal-Bench 4.1 de 5,6% para 12,0%. Também demonstrou ganhos em raciocínio, seguimento de instruções e codificação, mantendo as características principais do Qwen3.8-27B, como sua janela de contexto de 256K tokens.

Qual a licença de uso do DaisyRose-27B?

O DaisyRose-27B está disponível sob a licença Apache 2.0, o que permite seu uso e modificação de forma flexível em projetos diversos.

Fontes

Avalie este artigo:
Categoria
CEVIU IA
Publicado
18 de novembro de 2026
Editoria
CEVIU IA

Quer receber mais sobre CEVIU IA?

Conteúdo curado diariamente, direto no seu e-mail.

Conteúdo curado diariamenteDiversas categoriasCancele quando quiser