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。

11 月 18 日,RadixArk 发布并开放 DaisyRose-27B 模型权重。

据团队公布的数据,DaisyRose-27B在Terminal-Bench 4.1上的pass@1从基座模型的5.6%提升至12.0%,达到原来的约2.14倍。

团队仅用约1200个长程Agent任务进行强化学习,训练会话最长达100万token。
RadixArk 的两位创始人,都曾参与大模型核心技术的研发。
CEO 盛颖是 SGLang 联合创建者,曾在 xAI 共同领导推理团队;CTO 朱邦华联合创办的 Nexusflow 被英伟达收购后,他又与盛颖一起出来创业。
两人此前已在大模型推理研究中合作,如今把这份合作延续到了一家公司。
01
盛颖:SGLang联合创建者,
离开xAI创业
盛颖是 RadixArk 联合创始人兼 CEO,也是上海交大 ACM 班校友。
她先后在哥伦比亚大学和斯坦福大学取得计算机科学硕士、博士学位,博士期间师从 Clark Barrett,研究形式化验证。

她早期研究涉及形式化方法与自动推理,曾获得 IJCAR 2020 最佳论文奖、TACAS 2022 最佳工具论文奖。

博士后期,她逐步转向大模型与机器学习系统研究。
盛颖参与的项目包括 FlexGen、S-LoRA、FastChat 和 Vicuna,也是非营利开源组织 LMSYS 的联合发起者之一。

其中,影响最广的成果之一是 SGLang。

2023 年夏天,盛颖与合作者启动 SGLang,并于 2024 年 1 月公开发布。
这个项目逐渐发展为被广泛采用的开源推理引擎,如今运行在数十万张 GPU 上,服务于 Meta、微软、谷歌等公司的生产部署。
2024 年 10 月,盛颖加入 xAI,共同领导推理团队。不到一年后的 2025 年 8 月,她选择离开,投入 RadixArk。
促使她作出决定的,是 SGLang 不断增长的社区需求。
在创业公告中,盛颖回忆,2024 年夏天,她曾与郑连敏等开发者连续熬夜调试。

随着项目规模扩大,团队需要一个专门的组织,支持开发者持续投入。
她希望把此前在 Databricks 感受到的开源精神延续下去,让更多团队能够使用前沿 AI 基础设施。
创办 RadixArk,也让维护开源项目成为她可以全职投入的事业。
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,本科毕业于清华大学,取得电子工程和数学双学士学位。
根据公开简历,他的本科成绩排名为电子工程系262人中的第一名。

2018 年,他赴加州大学伯克利分校攻读博士,师从焦健涛和 Michael I. Jordan,研究涉及强化学习、大模型微调与推理,博士论文聚焦大模型高效微调与服务。

博士期间,他获得了 2023 年 David J. Sakrison Memorial Prize,该奖项表彰伯克利 EECS 杰出的博士研究。

他的工作也从理论研究延伸到了开源模型和工具,参与成果包括 Starling-7B、Athene-V2-72B,以及 Chatbot Arena、Arena-Hard-Auto 等模型评测平台。

2023 年,仍在攻读博士的朱邦华联合创办 Nexusflow,面向企业开发 AI Agent 技术。他在公司的工作重点,是大模型后训练。

2025 年,Nexusflow 被英伟达收购。
朱邦华随后宣布加入英伟达,担任 Principal Research Scientist,并在回复网友时表示,自己将加入 Star Nemotron 团队,负责应用研究。

朱邦华于2025年宣布加入英伟达时发布的与黄仁勋合影
但这段大厂经历没有持续太久。
在个人访谈中,朱邦华谈到,收购后不到半年,他便放弃后续尚未归属的收购收益,再次出来创业,与好友盛颖一起创办 RadixArk。
两人的合作早于这家公司。
两人此前已在大模型推理缓存研究和 S-LoRA 项目中合作。
如今,RadixArk 团队围绕推理引擎 SGLang 和强化学习框架 Miles 持续开发,后者也被用于训练公司的首款模型 DaisyRose-27B。
03
首款27B模型,
用自家基础设施训练出来
11 月 18 日,该模型正式发布并开放权重。基于 Qwen3.8-27B,团队使用自家的强化学习框架 Miles,在144张H200上完成了18天训练。
朱邦华在社交平台透露,团队最初希望验证百万token长程Agent训练能否稳定运行,同时提高GPU计算利用率、降低沙箱成本。
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。

目前,RadixArk已开放BF16、FP8和NVFP4三种精度的模型权重,供开发者下载使用。
SGLang也在模型发布当天完成适配,开发者可直接使用该框架部署和运行DaisyRose-27B。

DaisyRose-27B主要面向需要多阶段推理、规划和执行的长程Agent任务,要求模型连续调用工具,并根据中间结果调整行动。
RadixArk与Eigent AI合作,筛选出约1200个训练任务,针对基座模型的错误调整难度,并人工检查执行记录,修复或移除存在评分漏洞的任务。
单次任务尝试最长运行1.5小时,涉及超过100次工具调用。部分会话累计达到100万token,通过Harness摘要机制组织为多条训练轨迹。
训练采用Miles全异步模式:128张H200执行任务、生成轨迹,16张负责训练,让任务执行与模型更新并行进行。
据官方介绍,其内部训练后端的模型计算利用率(MFU)达到37%,基于Megatron的开源训练器在可比运行中为16%。
按照这一口径,完成相同训练所需的GPU时间减少约57%。

计入Agent执行任务的时间后,内部后端的端到端训练吞吐量约为每秒1.68万token,约为开源训练器的两倍。

此次训练累计消耗约6.3万GPU小时。据团队介绍,训练速度和计算利用率在18天运行期间保持稳定。

为支持大规模任务执行,RadixArk还基于开源项目AgentENV搭建了沙箱服务。
9月中旬至11月中旬,该项目累计运行约94.4万个沙箱,最高同时运行1566个。
10月下旬以来,沙箱创建成功率超过99.95%。

RadixArk表示,后续将面向构建专用模型的团队提供后训练支持,在提升目标能力的同时,保留模型原有的通用能力。
DaisyRose-27B也是RadixArk的一次能力展示:
将推理、强化学习和沙箱等基础设施组合起来,帮助其他团队训练和运行模型。
从离开大厂到联手创业,盛颖与朱邦华把开源积累变成了首款模型。接下来,他们需要证明,这套系统也能解决其他团队的实际需求。







