RadixArk发布DaisyRose-27B:两位95后华人创始人的首款模型
智猩猩AI整理 编辑:林夕 曾共同领导 xAI 推理团队的盛颖,与把创业公司卖给英伟达的朱邦华,如今成了创业搭档。 这两位 95 后创办的 RadixArk,聚集了一批....
曾共同领导
11月18日,RadixArk把DaisyRose-27B的模型权重发布并开放出来。
团队公布的数据显示,DaisyRose-27B达到了原来的约2.14倍。
训练只用了约1200个会话,最长达到100万token。
RadixArk的两位创始人都参与过大模型核心技术的研发。
CEO盛颖是SGLang的联合创建者,曾在CTO朱邦华联合创办的机构任职,后来他又与盛颖一同离职创业。
在这之前,两人已经在大模型推理研究上有过合作,如今这段合作被搬进同一家公司。
01
盛颖是SGLang的联合创建者,
离开
眼下她的身份是RadixArk联合创始人兼CEO,此前曾在上海交大ACM班就读。
之后她赴哥伦比亚大学深造,先拿下计算机科学硕士,又读完博士。读博期间,导师是Clark Barrett,方向为形式化验证。
更早的时候,她的研究围绕形式化方法和自动推理展开,IJCAR 2020最佳论文奖、TACAS 2022最佳工具论文奖都拿过。
到了博士后期,她的兴趣点逐渐挪到大模型和机器学习系统上。
她参与过的项目有
这些项目里,SGLang是传播最广的成果之一。
2023 年夏天,盛颖和合作者一起把 SGLang 做了起来,2024 年 1 月正式对外发布。
这个项目后来长成了被大量采用的开源推理引擎,眼下跑在数十万张 GPU 上,Meta、微软、谷歌等公司的生产部署里都有它。
2024 年 10 月,盛颖进入
xAI,与别人共同带领推理团队。不到一年,2025 年 8 月她选择离开,投身 RadixArk。
让她下定决心的,是 SGLang 社区不断上涨的需求。
创业公告里,盛颖写到一段回忆:2024 年夏天,她曾和郑连敏等开发者一起通宵调代码。
项目越做越大,团队就需要一个专职组织,让开发者能持续投时间进去。
她也想把此前在
而创办 RadixArk,同样让维护这个开源项目成了她能全职去做的事。
02
朱邦华:清华系第一,
公司被英伟达收购后再次创业
RadixArk 联合创始人兼 CTO 朱邦华,本科读的是清华大学,拿到电子工程和数学双学士学位。
公开简历显示,朱邦华在清华电子工程系就读时,本科成绩在262人中排第一。
2018 年他前往加州大学伯克利分校读博,导师是焦健涛和 Michael I. Jordan。研究方向覆盖强化学习、大模型微调与推理,博士论文做的是大模型高效微调与服务。
读博期间,伯克利 EECS 表彰杰出博士研究的 2023 年 David J. Sakrison Memorial Prize 颁给了他。
理论之外,他也把工作做到了开源模型和工具上。Starling-7B、Athene-V2-72B,还有 Chatbot Arena、Arena-Hard-Auto 这些模型评测平台,都有他参与。
2023 年,博士还没读完的朱邦华联合创办了一家公司,做面向企业的 AI Agent 技术。他在公司主要盯大模型后训练。
时间来到 2025 年,
之后朱邦华对外宣布加入英伟达,职位是 Principal Research Scientist。有网友问他去向,他回复说,自己将加入
朱邦华2025年宣布加入英伟达,当时他和黄仁勋拍了张合影。
不过他在大厂没待多长时间。朱邦华在个人访谈里提到,收购完成后不到半年,他就把还没归属的收购收益全部放弃,又重新出来创业,和好友盛颖一同创办了RadixArk。
其实两个人联手的时间比这家公司更早。此前他们就在大模型推理缓存的研究和项目上有过合作。
现在RadixArk团队的工作围绕推理引擎SGLang和强化学习框架展开,持续做开发;后者也被用来训练公司第一款模型DaisyRose-27B。
03
首款27B模型,
用自家基础设施训练出来
11月18日,这款模型正式发布,权重同步开放。基于 在144张。
朱邦华在社交平台上说,团队一开始是想验证百万token长程Agent训练能不能稳定跑起来,同时把GPU计算利用率提上去、把沙箱成本压下来。
他接着表示:“后来我们跑了评测,发现模型比预期更好,所以决定把DaisyRose-27B发布出来,让大家试试。”
RadixArk现已放出DaisyRose-27B的BF16等三种精度权重,开发者可自行下载。
模型发布当天,SGLang便完成了适配。开发者用这套框架就能直接部署、运行DaisyRose-27B。
DaisyRose-27B瞄准的是多阶段推理、规划与执行类场景——这类任务要求模型连续调用工具,并依据中间结果随时调整下一步动作。
训练任务由RadixArk联手Eigent AI筛选,共挑出约1200个。双方针对基座模型暴露的错误调整了难度,还对执行记录逐条人工核查,把评分存在漏洞的任务修复或剔除。
单次任务尝试最长要跑1.5小时,工具调用次数超过100次。有的会话累计达到100万token。
训练走的是Miles全异步模式,用到128张
按官方说法,其内部训练后端的模型计算利用率(
照这个口径算,完成同样训练所耗的GPU时间少了约57%。
把Agent执行任务的时间也算进去,内部后端的端到端训练吞吐量约为每秒1.68万token,差不多是开源训练器的两倍。
整个训练过程一共用掉约6.3万GPU小时。团队方面称,18天运行期间,训练速度和计算利用率都没有出现波动。
为了让大规模任务跑得起来,RadixArk还依托开源项目做了支撑。9月中旬到11月中旬,这套系统累计运行约94.4万个沙箱,同时运行的最高数量为1566个。
从10月下旬起,沙箱创建成功率一直保持在99.95%以上。
RadixArk方面表示,接下来会为打造专用模型的团队提供后训练支持,目标能力提升的同时,模型原本的通用能力也不会丢。
DaisyRose-27B同时是RadixArk的一次能力展示:把推理、强化学习、沙箱这些基础设施拼到一起,帮别的团队训练并运行模型。
从离开大厂到合伙创业,盛颖和朱邦华把开源上的积累做成了第一款模型。往后要回答的问题是,这套系统能不能接住其他团队的真实需求。