Man braucht kein riesiges KI-Labor mehr, um einen besseren Coding-Bot zu entwickeln. Das Startup RadixArk nahm ein kostenloses Modell aus dem Qwen-Team von Alibaba, trainierte es 18 Tage lang mit 1.200 handverlesenen Aufgaben und verdoppelte damit mehr als sein Ergebnis bei einem der schwierigsten Tests für KI-Agenten. Anschließend stellte es das Ergebnis kostenlos zur Verfügung.

DaisyRose-27B: Die wichtigsten Erkenntnisse

  • RadixArk hat DaisyRose-27B veröffentlicht, sein erstes Modell, das auf dem frei verfügbaren Qwen3.8-27B basiert

  • Sein Ergebnis bei Terminal-Bench 4.1 stieg nach 18 Tagen Training auf 144 Nvidia-H200-Chips von 5,6 % auf 12,0 %

  • Bei jedem von RadixArk getesteten Benchmark übertraf es das ursprüngliche Qwen-Modell – von Programmierung bis Schlussfolgern

  • Das Modell kann unter der Apache-2.0-Lizenz kostenlos genutzt und verändert werden

RadixArk kündigte die Veröffentlichung am 18. November in einem Blogbeitrag auf Hugging Face an, der Plattform, auf der KI-Entwickler Modelle teilen. „Wie stark kann man ein kleines Modell in 18 Tagen mit 144 GPUs verbessern?“, fragte das Unternehmen auf X.

Was RadixArk tatsächlich getan hat

RadixArk hat kein Modell von Grund auf neu entwickelt – das kostet große Labore Milliarden. Stattdessen nahm das Unternehmen Qwen3.8-27B, ein Modell mit 27 Milliarden Parametern, das jeder herunterladen kann, und trainierte es mit bestärkendem Lernen weiter. Dabei versucht die KI, eine Aufgabe zu lösen, wird bewertet und lernt daraus, was funktioniert hat.

Die Aufgaben waren das Geheimnis. RadixArk und sein Partner Eigent AI erstellten Tausende Aufgaben aus den Bereichen maschinelles Lernen, Softwareentwicklung und Wissenschaft und behielten davon etwa 1.200. Jede einzelne zielte auf einen Fehler ab, den das ursprüngliche Modell immer wieder machte, erforderte viele Lösungsschritte und ließ sich nur durch tatsächliches Lösen bestehen – nicht durch Tricks beim Bewertungssystem. Ein einzelner Versuch konnte bis zu 1,5 Stunden dauern und mehr als 100 Tool-Aufrufe umfassen.

BenchmarkQwen3.8-27BDaisyRose-27BTerminal-Bench 4.15.612.0Terminal-Bench 2.173.075.5DeepSWE v1.142.246.2IFBench79.582.4GPQA Diamond89.290.7

Günstigeres Training ist das eigentliche Produkt

RadixArk verkauft im Grunde seine Trainingstools – und das Modell ist der Beweis dafür. Das Unternehmen trainierte DaisyRose-27B mit Miles, seiner kostenlosen Software für bestärkendes Lernen, und einem eigenen Trainings-Backend. Laut RadixArk konnte dieses 37 % der Spitzenleistung jedes Chips für nützliche Arbeit einsetzen, verglichen mit 16 % bei einem beliebten Open-Source-Trainingsprogramm. Dadurch benötige derselbe Trainingslauf 57 % weniger GPU-Zeit, so das Unternehmen; bei manchen anderen Modelldesigns seien die Einsparungen sogar noch größer.

Auch die Testumgebungen spielen eine Rolle. Jeder Versuch läuft in einer Sandbox – einer frischen, abgeschotteten Kopie der Aufgabe. RadixArk führte von Mitte September bis Mitte November etwa 944.000 solcher Versuche durch, bis zu 1.566 gleichzeitig, und gibt an, dass die Cloud-Rechnung etwa 80 % niedriger ausfiel als bei beliebten Sandbox-Anbietern. Insgesamt beanspruchte der Lauf rund 63.000 GPU-Stunden.

Ebenfalls lesenswert: Entwickler erhalten KI-Training im Wert von 1 Milliarde US-Dollar kostenlos, während Meta Hugging Face mit Modellen überschwemmt

Warum das wichtig ist

Im großen KI-Wettlauf geht es zunehmend nicht mehr darum, wer das größte Modell baut, sondern wer das Beste aus einem bestehenden Modell herausholt. Wenn ein kleines Team die Punktzahl eines kostenlosen Modells bei einem anspruchsvollen Agententest in weniger als drei Wochen verdoppeln kann, könnten Unternehmen mit eigenen Daten leistungsstarke, spezialisierte Bots entwickeln – ohne das Budget eines Spitzenlabors.

Die Zahlen sollten jedoch im richtigen Verhältnis betrachtet werden. Eine Bestehensquote von 12,0 % bei Terminal-Bench 4.1 bedeutet immer noch, dass das Modell bei den meisten Aufgaben scheitert; bei leichteren Tests betrugen die Zuwächse jeweils nur wenige Prozentpunkte. Die Ergebnisse stammen aus RadixArks eigenen Tests, und das Unternehmen hat Nutzer gebeten, mitzuteilen, wo das Modell Schwächen zeigt.

Worauf es als Nächstes ankommt

Entscheidend wird sein, ob externe Entwickler die Verbesserungen mit ihren eigenen Aufgaben reproduzieren können und ob andere Teams Miles zum Trainieren eigener Agenten einsetzen. Falls ja, dürfte eine Welle kleiner, günstiger und spezialisierter Modelle entstehen, die auf kostenlosen Modellen von Qwen, Meta und anderen aufbauen – und die großen Labore unter Druck setzen, die für ihre besten Modelle Geld verlangen.

Weiterlesen: Hugging Face kopiert OpenAIs Mathetests und räumt ein, dass der Verifizierer „noch in einem frühen und unausgereiften Stadium“ ist