RadixArk публикува DaisyRose-27B на 18 ноември като модел върху Qwen3.8-27B, дообучен с reinforcement learning. Теглата са под Apache 2.0. Авторът описва около 1200 подбрани продължителни задачи и сесии до един милион токена, използващи обобщаване. Собственият контекст остава 256K. Това е важна граница между дължина на работа и дължина на отделен вход.
Какво показва публикуваната оценка
Картата на модела отчита Terminal-Bench 4.1 pass@1 от 12,0% спрямо 5,6% за базовия модел, с осем повторения на задача и вътрешна изпълняваща среда. Това е авторска оценка, не наш сравнителен тест. Разликата от 6,4 процентни пункта не означава универсална надеждност за всяка задача.
За потребител, който иска агент да работи по проект, съществен е целият процес: съхранен контекст, достъпни инструменти, възможност за проверка и ясна точка на приключване. Моделът може да прави добра отделна стъпка и все пак да загуби важно условие по-късно. Това е общо инженерно съображение, а не наблюдаван от нас пропуск в DaisyRose.
Паметта не свършва с теглата
Същата карта дава приблизително 52 GB за BF16, 29 GB за FP8 и 23 GB за NVFP4 тегла. Работещата услуга има и други нужди. Контекстът, кешът и паралелните заявки трябва да се вместят заедно с модела; числото за файла не е обща гаранция за подходящ хардуер.
Нашето предложение за пилот е да се избере реална, разрешена задача с известен критерий за успех. За промяна по код това може да включва проверена разлика, приложими тестове и липса на непоискани изменения. За анализ на документи — запазване на съществените условия и видимо посочване на противоречията.
Оценявайте и неуспешните опити
За честно сравнение базовият модел и новият кандидат трябва да получат еднакъв бюджет и инструменти. Записвайте и прекратените задачи, а не само най-успешната демонстрация. Неограниченото повторение може да скрие разход, който реалният процес не може да понесе.
Дългите задачи заслужават отделен преглед на междинните обобщения. Полезно е да се установи дали грешката идва от самото решение, изгубен контекст или отказал инструмент. Така оценката води до конкретно подобрение на системата, вместо само до класация на моделите.
Публикуването на теглата позволява подобни собствени сравнения. SIExpo не е зареждал DaisyRose и не обещава скорост на конкретен компютър. Проверимата новина е новият отворен модел и описаната методика за обучение и оценяване.



