
DaisyRose 27B مقابل Bonsai 27B: الحجم نفسه، رهانات متعاكسة
- OrcaجديدOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 لكل مليون رمز · 184 tok/s
- tencentجديدTencent: Hy4 Flash2026-11-16$0.02 / $0.07 لكل مليون رمز · 494 tok/s
- AlibabaجديدQwen: Qwen4 Max2026-11-16$1.50 / $4.50 لكل مليون رمز · 385 tok/s
- GoogleجديدGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 لكل مليون رمز · 94 tok/s
- AnthropicجديدAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 لكل مليون رمز · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 لكل مليون رمز · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 لكل مليون رمز · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447الذكاء
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 لكل مليون رمز · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
DaisyRose 27B وBonsai 27B نموذجان بعدد معاملات يبلغ 27 مليارًا لكل منهما، وسياق من 262,000 رمز، وترخيص Apache 2.0، وقاعدة Qwen، وهما شبه نقيضين في كل جانب آخر. يصرف DaisyRose 27B، الذي نشرته RadixArk في 18 نوفمبر 2026، ثمانية عشر يومًا من وقت H200 ونحو 63,000 ساعة GPU على التعلم المعزز لرفع ما يمكن لنموذج 27B فعله في المهام الوكيلية؛ ويُشحن كأوزان BF16 بحجم 52 GB ويحتاج إلى GPU لمركز بيانات. أما Bonsai 27B، الذي نشرته PrismML في 14 يوليو 2026، فيبذل جهده في الاتجاه المعاكس: يأخذ نموذج 27B ويضغط الأوزان إلى 1.125 بت لكل وزن بحيث يتسع كل شيء في 3.8 GB ويعمل على هاتف. لا أحد منهما نموذج أفضل. إنهما إجابتان مختلفتان عن سؤال «كم ينبغي أن يكلّف نموذج 27B»، وتعتمد الإجابة التي تريدها كليًا على ما إذا كان القيد هو الجودة أم البايتات.
تحذير واحد قبل أي مقارنة، لأنه يحدد مقدار ما يمكن أن يكون حسابيًا في هذه الصفحة: لا يشترك المورّدان في أي معيار تقييم واحد. يقدّم RadixArk نتائج Terminal Bench وDeepSWE وSWE Bench Pro وHLE وIFBench وGPQA Diamond. ويقدّم PrismML مجموعة من خمسة عشر معيار تقييم خاصة به بالإضافة إلى رقم مشتق لـ«كثافة الذكاء». لا يوجد صف قُيّس عليه هذان النموذجان معًا، لذا لا يطرح أي شيء أدناه درجة من أخرى.
مِمَّ يتكوَّن كل واحد منها
سلسلة النسب هي أول اختلاف حقيقي، ويسهل إغفاله لأن كليهما يقول «Qwen 27B».
• دايزي روز 27B — نسخة مُدرَّبة لاحقًا من Qwen3.8-27B، من دون مساس بالبنية. المحلّل نفسه، وقالب المحادثة نفسه، وبرج الرؤية نفسه، وسياق الـ262,144 رمزًا نفسه. لم يُغيّر تدريب RadixArk سوى السلوك ولا شيء غيره، وهو يصف النتيجة بأنها بديل مباشر للنموذج الأساسي.
• Bonsai 27B — إعادة بناء منخفضة البتات لـ Qwen3.6-27B، أقدم بجيل واحد. وهو ليس تدريبًا لاحقًا: إذ تُعاد شبكة اللغة ترميزًا من طرف إلى طرف بدقة 1 بت أو بدقة ثلاثية القيم، بما يشمل التضمينات والانتباه وإسقاطات MLP ورأس LM على حد سواء، دون أي منفذ نجاة بدقة أعلى في أي مكان من العمود الفقري.
تُمثّل فجوة الأجيال تلك عائقًا حقيقيًا أمام Bonsai، ونادرًا ما يُقال ذلك بصراحة. Qwen3.6-27B هو النموذج الذي اختارت RadixArk تحسينه؛ وBonsai 27B نسخة مضغوطة منه. لذلك، حين يقارن القارئ بين الاثنين، فهو لا يقارن فقط نموذجًا مدرَّبًا تدريبًا لاحقًا مقابل عملية ضغط، بل يقارن نموذجًا مدرَّبًا تدريبًا لاحقًا انطلاقًا من قاعدة أحدث مقابل عملية ضغط انطلاقًا من قاعدة أقدم. تغييران في خطوة واحدة، ولا يميّز جدول أيٍّ من المورّدين بينهما.
عبوتان، أثران
يُطرح Bonsai 27B بصيغتَي أوزان للنموذج نفسه، والاختيار بينهما هو القرار الحقيقي الوحيد ضمن ذلك الإصدار.
• حزمة ثنائية — أوزان {−1, +1} مع تحجيم جماعي FP16، معبأة كـ GGUF Q1_0_g128 بمعدل 1.125 بت فعّال لكل وزن. حجم الملف المشحون هو 3.803 GB؛ وتقرّب البطاقة البصمة المنشورة إلى نحو 3.9 GB.
• حزمة ثلاثية القيم — أوزان {−1, 0, +1} بالتدرّج نفسه. تحمل القيمة الثلاثية log₂3 ≈ 1.585 بت، لذا فإن الحد الأدنى للتمثيل يبلغ نحو 1.71 بت لكل وزن، أو 5.9 GB في الحالة المثالية. أما الملف المُصدَّر فيبلغ 7.165 GB، لأن النوى الحالية تخزّن كل قيمة ثلاثية في خانة من بتين — أي 2.125 بت لكل وزن عند النشر. وهذه الفجوة قيدٌ من قيود النوى، وليست خيارًا في النمذجة، وتنشر PrismML الرقمين كليهما.
تُطرح DaisyRose 27B بالطريقة المعتادة: BF16 بنحو 52 GB، وFP8 بنحو 29 GB، وNVFP4 بنحو 23 GB ومخصّصة لـ Blackwell فقط. وبالمقارنة مع 3.803 GB لدى Bonsai، يمثّل ذلك عاملًا يقارب أربعة عشر عند الطرف الثنائي، والضغط ليس مجانيًا — فمجموعة الاختبارات الخاصة بـ PrismML تضع الحزمة الثنائية عند 89.5% من خط أساسها كامل الدقة، والحزمة الثلاثية عند 94.6%.
حيث يُدفع ثمن الضغط فعليًا
التفصيل حسب الفئة الذي يقدّمه PrismML هو أكثر ما يفيد في كلا الإصدارين، لأنه يُظهر أن الخسارة ليست موزّعة بالتساوي. وبالمقارنة مع خط الأساس الخاص به FP16 Qwen3.6-27B البالغ 85.07 على مجموعة من خمسة عشر اختبارًا في وضع التفكير:
• الحزمة الثنائية — 76.11 إجمالًا، ونسبة احتفاظ 89.5%. تنخفض الرياضيات من 95.33 إلى 91.66 والبرمجة من 88.74 إلى 81.88. ويتراجع اتباع التعليمات من 78.47 إلى 65.74، والعمل الوكيل واستدعاء الأدوات من 80.00 إلى 66.03، والرؤية من 72.61 إلى 59.57.
• Ternary pack — 80.49 إجمالًا، واحتفاظ بنسبة 94.6%، مع استعادة نحو نصف المسافة إلى الدقة الكاملة مقابل 3.3 GB إضافية من الوزن.
اقرأ تلك القائمة في ضوء ما دُرِّب عليه DaisyRose 27B، وسيتوقف الإصداران عن كونهما قابلين للمقارنة بأي معنى بسيط. أضعف فئة لدى Bonsai 27B بعد الضغط هي الفئات الوكيلية واستدعاء الأدوات عند 66.03 مقابل خط أساس 80.00 — خسارة قدرها خمس عشرة نقطة في المجال نفسه الذي أنفق فيه RadixArk ثمانية عشر يومًا من وقت GPU في تحسينه. أحد النموذجين يدفع ثمن صِغَر حجمه بالعملة التي ينفقها النموذج الآخر من طاقة الحوسبة لشرائها. إذا كان عبء عملك وكيلَ برمجة يستدعي الأدوات في حلقة، فإن حزمة binary الخاصة بـ Bonsai 27B هي أسوأ نسخة ملاءمةً في هذه المقارنة، وDaisyRose 27B هي الأفضل، ولا شيء آخر في أي من الجدولين يغيّر هذا الترتيب.

ما يطلبه كل منها من عتادك
هنا تصبح المقارنة ملموسة لا بلاغية.
• DaisyRose 27B — على وحدة H200 واحدة، أو B200 أو GB300، أو RTX PRO 6000، أو RTX 5090، أو DGX Spark بتنسيق NVFP4. مسار الخدمة الموصى به هو SGLang مع نموذج مسودة DSpark لفك التشفير التخميني، وأربع نسخ متوازية على مستوى البيانات عبر عقدة من أربع وحدات معالجة رسومات عند توازٍ تنسوري بقيمة 1 مع ذاكرة KV مؤقتة بتنسيق FP8. ولا تنشر RadixArk أي رقم للرموز في الثانية لأي من تلك التهيئات.
• Bonsai 27B — llama.cpp على CUDA أو Metal أو CPU، مع وجود أنوية 1-بت وثلاثية القيم في تفرع PrismML الخاص بدلاً من المنبع، لذا لن تحمّلها نسخة llama.cpp القياسية بشكل صحيح بعد. تتسع الحزمة الثنائية لهاتف بسعة 12 GB؛ وتحتاج الحزمة ثلاثية القيم إلى هامش أكبر قليلاً. أضف نحو 2.4 GB إذا أخذت نموذج المسودة وبرج الرؤية أيضاً، لأن رقم 3.9 GB المعلن هو أوزان اللغة وليس حجم النشر.
لا توجد تهيئة يتنافس فيها هذان النموذجان على الخانة نفسها. فوجود نموذج ثنائي بحجم 3.8 GB على هاتف ونموذج BF16 بحجم 52 GB على H200 لا يمثل مقايضة بينهما؛ إذ يخدمان منتجين مختلفين. التداخل أضيق وأكثر إثارة للاهتمام: NVFP4 DaisyRose بحجم 23 GB مقابل Bonsai ثلاثي القيم بحجم 7.2 GB، وكلاهما يتسع لبطاقة استهلاكية واحدة، وهو الموضع الوحيد الذي يكون فيه الاختيار مقايضة حقيقية بدلاً من كونه فئة.
الأدلة، ومقدارها
خلف Bonsai 27B أربعة أشهر من التنزيلات — فقد تجاوز مستودع GGUF الثلاثي 590,000 تنزيل في أكتوبر 2026 مقابل ما يزيد قليلًا على 400,000 لحزمة الثنائي، بينما تجاوزت حاويات MLX لكل منهما مليونًا لكلٍّ منهما. وما يشير إليه ذلك هو أن معظم هذا النموذج يُشغَّل على عتاد Apple بدلًا من الخوادم، وأن الأشخاص الذين ينزّلونه يختارون نقاط الاحتفاظ الخمس الإضافية بدلًا من أصغر ملف. إنه دليل استخدام لا دليل جودة، لكنه دليل من نوع لا يقدمه جدول المعايير القياسية لأي من المورّدين.
لدى DaisyRose 27B ثلاثة أيام ولا يوجد تشغيل مستقل له. صفوفه السبعة في الاختبارات المرجعية تعود إلى RadixArk، وقِيست على منصات الاختبار الخاصة بـ RadixArk، عند temperature 1.0 وtop_p 0.95 وtop_k 20 وجهد الاستدلال xhigh، ونُشرت بوصفها الأفضل بين تشغيلَي BF16 وFP8 الخاصين به. أما مقارنته عبر النماذج ضد أنظمة أكبر فتستند إلى أرقام منشورة من أطراف أخرى بدلاً من تشغيلات جنبًا إلى جنب، والبطاقة تقول ذلك.
لم يخضع أي من النموذجين لنفس أداة الاختبار التي خضع لها الآخر. وأي صفحة تضع رقمًا من DaisyRose بجانب رقم من Bonsai وتخلص إلى استنتاج فإنها تختلق مقارنة لم يُجرِها أحد.

أيّ واحد تختار
يتوقف القرار على سؤال واحد، وهو ليس سؤالًا عن قياس الأداء: هل يجب أن يعمل النموذج في مكان لا يوجد فيه مركز بيانات؟
إذا كان الأمر كذلك، فالإجابة هي Bonsai 27B، وتحديدًا حزمة ternary إلا إذا كان الجهاز يعاني فعليًا من شحّ في الذاكرة. إن خسارة حزمة binary البالغة خمس عشرة نقطة في الأعمال الوكيلية واستدعاء الأدوات هي أكبر تنازل عن الجودة في أي من الإصدارين، و3.3 GB التي تكلفها حزمة ternary تستعيد نصف المسافة إلى الدقة الكاملة. على هاتف بسعة 12 GB لا يوجد بديل؛ وعلى أي جهاز تتوفر فيه 8 GB إضافية للأوزان، تكون حزمة ternary هي النسخة الأفضل.
إن كان الجواب لا — إذا كان النموذج يعمل خلف واجهة برمجة تطبيقات أو على عقدة خدمة — فإن الميزة المركزية لدى Bonsai 27B تتبخر، ولا تبقى صامدة إلا الميزة المركزية لدى DaisyRose 27B. فالنموذج الذي يتسع على H200 ليس نموذجًا تحتاج إلى ضغطه، وما ستشتريه مع Bonsai في ذلك الموضع هو نموذج 27B مقيّد عند 89.5% أو 94.6% من أساس أقدم بجيل واحد. إصدار RadixArk موجّه إلى ذلك القارئ تحديدًا، والادعاء الذي يجب اختباره هو ما إذا كانت قفزة Terminal Bench 4.1 من 5.6 إلى 12.0 تتكرر على منصة اختبار عامة.
طريقة رخيصة لإجراء المقارنة بنفسك
لا يوجد DaisyRose 27B ولا Bonsai 27B في كتالوج OrcaRouter وقت كتابة هذا النص، ولن تدّعي هذه الصفحة خلاف ذلك. سلفهما المشترك هو: يُقدَّم Qwen3.8-27B باسم qwen/qwen3.8-27b على 0.33 دولار لكل مليون رمز إدخال و2.40 دولار لكل مليون رمز إخراج، مع السياق نفسه البالغ 262,144 رمزًا وبرج الرؤية نفسه الذي يحتفظ به DaisyRose 27B. إن تشغيل النموذج الأساسي على مطالباتك الخاصة هو أرخص طريقة لتحديد ما يُطلب من التدريب اللاحق تحسينه، ويكلّف بضعة سنتات بدلًا من استئجار H200.
نقطة النهاية نفسها تشكّل شبكة أمان مفيدة لاحقًا. إذا واجه نشر DaisyRose المستضاف ذاتيًا نافذة سياق ممتلئة أو بيئة sandbox معطلة في منتصف المهمة، فإن قاعدة التحويل عند الفشل التلقائية ترسل الطلب إلى النموذج الأساسي بدلًا من إرجاع خطأ — إجابة منقوصة بدلًا من استدعاء فاشل. هذا هو الشكل العملي للمقايضة التي تدور حولها هذه المقارنة بأكملها: السقف يستحق دفع تكلفته، لكن فقط إذا كان هناك شيء تحته.
ما من شأنه أن يغيّر هذه الصفحة هو إطار اختبار مشترك واحد. فإذا ضغطت PrismML نموذج Qwen3.8-27B — الأساس الذي حسّنته DaisyRose — سيصبح النموذجان أخيرًا قابلين للقياس أحدهما مقابل الآخر، وسيحصل سؤال «ماذا يخسر نموذج 27B عندما يصبح 3.8 GB» على رقم بدلًا من مجرد فئة.
