La DaisyRose-27B, de código abierto, resuelve el 12% de las tareas de Terminal-Bench frente al 5,6%
RadixArk ha publicado el modelo abierto DaisyRose-27B, que entrenó durante 18 días en 144 GPU H200 para trabajar en la terminal como un desarrollador. En Terminal-Bench 4.1, la proporción de tareas resueltas a la primera subió del 5,6% al 12,0% (GPT-6 Luna alcanza el 15,2%). Cada una de las 1 200 tareas de entrenamiento apuntaba a un error concreto del modelo base Qwen3.8-27B. La conclusión: los fallos frecuentes de tu propio agente se pueden convertir en un conjunto de entrenamiento, y la licencia Apache 2.0 permite llevar el modelo a un producto.
Procesado por IA desde X: @Chinazhidx; editado por Hamidun News
Imagina un agente al que se le encarga arreglar una compilación fallida desde la terminal: encontrar el error en los logs, corregir la configuración, relanzar los tests y no romper el servicio vecino. La mayoría de los modelos abiertos todavía se atascan en tareas así. La startup RadixArk ha lanzado su primer modelo con pesos abiertos, DaisyRose-27B, y ha duplicado su resultado en Terminal-Bench 4.
1: la proporción de tareas que el agente resuelve a la primera (la métrica pass@1) pasó del 5,6% al 12,0%. A modo de comparación, GPT-6 Luna obtiene un 15,2%. La idea central es que el modelo no se entrenó con una mezcla general de datos, sino con tareas diseñadas para apuntar a un error concreto del modelo base.
Para el desarrollador, la señal es práctica: los puntos débiles de un agente se pueden convertir en material de entrenamiento.
Un experimento que acabó siendo un producto
Según el cofundador y director técnico Banghua Zhu, el proyecto no nació como el lanzamiento de un modelo, sino como una prueba de resistencia de la infraestructura. El equipo quería saber si su sistema aguantaría el entrenamiento de agentes con un contexto de un millón de tokens, si era posible elevar la utilización de la GPU y si se podían abaratar los sandboxes en los que los agentes ejecutan código. Los resultados superaron las expectativas y de la prueba de estrés salió un modelo.
La base es Qwen3.8-27B. Se afinó con aprendizaje por refuerzo (reinforcement learning) mediante el framework Miles: el modelo intenta resolver una tarea, recibe una evaluación y se ajusta. Junto con Eigent AI, el equipo reunió 1 200 tareas cuidadosamente seleccionadas. Es como preparar un examen no con un manual general, sino con una lista de los propios fallos: el tutor elige ejercicios pensados justo para ellos.
Las tareas eran largas. Un solo intento podía durar hasta 1,5 horas, incluir más de 100 llamadas a herramientas y generar más de 256 mil tokens. El entrenamiento completo duró 18 días en 144 GPU NVIDIA H200.
Qué muestran las cifras
El logro más llamativo está en la infraestructura. Según RadixArk, su backend de entrenamiento propio alcanzó un 37% de MFU, es decir, aprovechó el hardware al 37% de su máximo teórico. Un entrenador open source comparable, basado en Megatron, logró un 16%. La velocidad fue de 16 800 tokens por segundo frente a 8 300 en las mismas 144 GPU. En consecuencia, la misma carga requiere un 57% menos de tiempo de GPU. Para quien paga el alquiler de H200 por horas, es un ahorro directo.
En cuanto a la calidad, DaisyRose-27B superó al Qwen3.8-27B base en los siete benchmarks publicados. La mejora más notable está en Terminal-Bench 4.1: más del doble, del 5,6% al 12,0%. El resto de las mejoras son más modestas:
Resulta llamativo que también haya mejora en GPQA Diamond, una prueba de preguntas científicas, aunque el entrenamiento se hizo con tareas de agentes.
Por qué importa a desarrolladores y fundadores
Primera conclusión: la calidad de un agente se puede mejorar con un conjunto pequeño de tareas, siempre que cada una apunte a una debilidad real del modelo. Mil doscientas tareas están lejos de la escala de internet: es un volumen que un equipo pequeño con un socio puede reunir. Si tienes logs en los que tu agente falla de forma sistemática, puedes convertirlos en tus propias tareas de entrenamiento.
Segunda conclusión: el cuello de botella de las ejecuciones largas de agentes suele estar en el stack de entrenamiento, no en el modelo. Cuando la misma carga necesita un 57% menos de tiempo de GPU, las iteraciones se abaratan y se pueden probar más hipótesis.
Tercera: la licencia Apache 2.0 permite el uso comercial, y los 27 000 millones de parámetros hacen que el modelo sea asumible en hardware. Según los autores, se ejecuta en una sola RTX 5090 o en un NVIDIA DGX Spark, de modo que el agente se puede probar en local, sin alquilar un clúster.
Salvedades
Todas las cifras las ha publicado la propia RadixArk y no hay ejecuciones independientes. La comparación con el entrenador basado en Megatron se hizo con la carga de trabajo de la propia empresa, y en otras tareas la diferencia puede ser distinta. Un 12,0% en Terminal-Bench sigue significando que la inmensa mayoría de las tareas no se resuelven a la primera, por lo que un agente así todavía no está listo para producción sin supervisión humana. Tampoco se sabe cómo se comportará el modelo con tareas distintas de las 1 200 seleccionadas. Aun así, como ejemplo de que un ajuste fino dirigido y una infraestructura eficiente dan una ventaja notable con un presupuesto modesto, DaisyRose-27B merece atención.
- 19 nov 2026La misma Gemma 4 escribió un backend con un 80% de aciertos en opencode y solo con un 41% en OpenHands
- 19 nov 2026Un script de GitHub detecta los motivos de rechazo de App Store y Google Play antes de la revisión: 542 estrellas en un día
- 19 nov 2026Un aumento del 21% en el flujo de PR cuadruplica la espera de revisión en un modelo de colas: de 2 a 8 horas
- 19 nov 2026Cientos de agentes de OpenAI hackearon Hugging Face, y el log del ataque lo analizó el modelo abierto GLM 5.2
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Un experimento que acabó siendo un producto?
Según el cofundador y director técnico Banghua Zhu, el proyecto no nació como el lanzamiento de un modelo, sino como una prueba de resistencia de la infraestructura. El equipo quería saber si su sistema aguantaría el entrenamiento de agentes con un contexto de un millón de tokens, si era posible elevar la utilización de la GPU y si se podían abaratar los sandboxes en los que los agentes ejecutan código. Los resultados superaron las expectativas y de la prueba de estrés salió un modelo. La base es Qwen3.8-27B.
¿Qué se sabe sobre Qué muestran las cifras?
El logro más llamativo está en la infraestructura. Según RadixArk, su backend de entrenamiento propio alcanzó un 37% de MFU, es decir, aprovechó el hardware al 37% de su máximo teórico. Un entrenador open source comparable, basado en Megatron, logró un 16%. La velocidad fue de 16 800 tokens por segundo frente a 8 300 en las mismas 144 GPU. En consecuencia, la misma carga requiere un 57% menos de tiempo de GPU. Para quien paga el alquiler de H200 por horas, es un ahorro directo.
¿Qué se sabe sobre Por qué importa a desarrolladores y fundadores?
Primera conclusión: la calidad de un agente se puede mejorar con un conjunto pequeño de tareas, siempre que cada una apunte a una debilidad real del modelo. Mil doscientas tareas están lejos de la escala de internet: es un volumen que un equipo pequeño con un socio puede reunir. Si tienes logs en los que tu agente falla de forma sistemática, puedes convertirlos en tus propias tareas de entrenamiento.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.