
DaisyRose 27B مقابل Granite 4.2 30B: 46 نقطة، وأداتا تقييم
- 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
تسجّل كل من DaisyRose 27B وGranite 4.2 30B نتيجة على Terminal Bench 2.1. وتحصل DaisyRose 27B، وهو نموذج من RadixArk جرى تدريبه لاحقًا بالتعلم المعزز فقط انطلاقًا من Qwen3.8-27B ونُشر في 18 نوفمبر 2026، على 75.5 مقابل 73.0 لنموذجه الأساسي. أما Granite 4.2 30B، وهو نموذج كثيف من IBM يضم 30 مليار معامل وصدر في 25 أغسطس 2026، فيسجّل 29.24. هذه فجوة قدرها 46 نقطة تحت اسم المعيار نفسه، بين نموذجين كثيفين متقاربي الحجم تقريبًا، والاستنتاج الطبيعي — أن DaisyRose 27B أفضل بمقدار مرتين ونصف في العمل الوكيلي عبر الطرفية — يكاد يكون خاطئًا بالتأكيد. لم يُنتَج الرقمان بالطريقة نفسها، وتهتم هذه الصفحة إلى حد كبير بكيف يمكن أن تكون فجوة قدرها 46 نقطة أصغر مما تبدو عليه.
يتشارك النموذجان أكثر مما توحي به تلك الفجوة: فكلاهما كثيف، وكلاهما بنحو 30 مليار معامل، وكلاهما بترخيص Apache 2.0، وكلاهما إصدار مفتوح الأوزان لا يوجد له سعر API مستضاف لدى المورّد يمكن ذكره، وكلاهما دُرِّب خصيصًا لاستخدام الأدوات الوكيلي داخل البيئات المعزولة. وهما الأقرب تطابقًا في هذه السلسلة من حيث البنية والقصد، وهذا تحديدًا ما يجعل الأرقام الواردة في بطاقتيهما جديرة بالقراءة المتأنية بدلًا من طرحها.
تشريح فجوة قدرها 46 نقطة
ابدأ بما يقوله كل بائع عن كيفية إنتاج الرقم، لأن كلتا البطاقتين صريحتان بشكل غير معتاد وتصفان قياسين مختلفين.
• DaisyRose 27B — خمس عمليات تشغيل لكل مهمة على أداة اختبار Terminus 2. تسرد بطاقة المقارنة Terminus 2 صراحةً وتذكر عدد عمليات التشغيل. كان أخذ العينات بدرجة حرارة 1.0، وtop_p 0.95، وtop_k 20، وجهد استدلال xhigh، والنتيجة المنشورة هي الأفضل بين عمليات تشغيل BF16 وFP8.
• Granite 4.2 30B — 29.24 على Terminal-Bench 2.1، مُدرَج كصف واحد في جدول بطاقة الطراز. توثّق البطاقة التدريب الوكيلي للعائلة بالتفصيل — جولة ثانية من الضبط الدقيق الخاضع للإشراف على بيانات هندسة برمجيات وكيلية مرفوعة التكرار، ثم تعلّم معزز وكيلي داخل بيئة معزولة ينفّذ مهامًا على غرار SWE-bench وعمليات طرفية وبحثًا ويب — لكن صف Terminal-Bench نفسه لا يحمل عدد تشغيلات معلنًا، ولا اسم أداة تقييم، ولا إعداد أخذ عينات.
هذا التباين هو جوهر حكاية الـ46 نقطة. نشر أحد المورّدين نتيجةً مُجهّزة بكثافة عند أقصى جهد استدلالي على مدى خمس محاولات؛ بينما نشر الآخر خلية جدول. يمكن لنتيجة Terminal-Bench عند جهد استدلالي xhigh أن تتغيّر بعشرات النقاط مقارنةً بالنموذج نفسه عند الإعدادات الافتراضية، لأن الاختبار القياسي سلسلة من أوامر الصدفة حيث يحصل النموذج الذي يفكّر أطول على محاولات أكثر للتعافي من أخطائه. إن مقارنة رقمٍ بأفضل جهد، وعالٍ الجهد، ومكرّر خمس مرات برقم فردي غير مؤهّل ليست مقارنةً على الإطلاق.
هناك عدم تناظر ثانٍ، أدقّ وأكثر إثارة للاهتمام. النموذج الأساسي الخاص بـ DaisyRose 27B، وهو Qwen3.8-27B، يحقق 73.0 في الصف نفسه من البطاقة نفسها. لذا فقد حسّن التدريب اللاحق لدى RadixArk نتيجة Terminal Bench 2.1 بمقدار 2.5 نقطة، بينما فجوة الـ46 نقطة إلى Granite تتكوّن من 44 نقطة فرق في النموذج الأساسي و2 نقطة من التدريب. كل ما يفصل بين هذين المورّدين في هذا المعيار يكمن في نقطة البداية، لا في التعلّم المعزّز.
حيث تلتقي الطاولات
هناك صفّان إضافيان مشتركان، وكلاهما أكثر قابلية للمقارنة من Terminal-Bench.
• GPQA Diamond — DaisyRose 27B: 90.7 عبر ثماني جولات على 198 سؤالًا مع إعادة خلط ترتيب الإجابات؛ Granite 4.2 30B: 66.41. فجوة مقدارها 24 نقطة لا يفسّرها بشكل معقول أي اختلاف في أدوات التقييم. يسجّل النموذج الأساسي لـDaisyRose 89.2، لذا أضاف التدريب اللاحق 1.5 نقطة إلى نموذج أساسي كان متقدمًا بفارق كبير أصلًا.
• IFBench — DaisyRose 27B بنتيجة 82.4 عبر أربع عمليات تشغيل على 300 مطالبة باستخدام مُقيِّم allenai الرسمي، بدقة صارمة على مستوى المطالبة باستثناء التفكير؛ وGranite 4.2 30B بنتيجة 77.17، موسوم بـ"prompt" على البطاقة. فجوة قدرها 5 نقاط، وهي أقرب ما يكون إلى تعادل حقيقي على أيٍّ من البطاقتين.
إن رقم GPQA هو الذي ينبغي أن يغيّر طريقة تفكير القارئ في هذه المقارنة. فـ Granite 4.2 30B نموذج بنته IBM للعمل الوكيلي في المؤسسات — اثنتا عشرة لغة مختبَرة، وثلاثة أنماط استدلال، واستدعاء الأدوات، وسياق أصلي بطول 128K قابل للتوسعة إلى 512K — وهو يسجّل 66.41 في العلوم بمستوى الدراسات العليا. أما DaisyRose 27B فيسجّل 90.7. ومهما تكن التحفظات المتعلقة بأداة التقييم في Terminal-Bench، فإن أسئلة العلوم بمستوى الدراسات العليا لا توجد فيها أداة تقييم تُحرّك النتيجة 24 نقطة، والقراءة الصادقة هي أن النموذج الأساسي لدى RadixArk، وهو Qwen3.8-27B بدرجة 89.2، هو ببساطة نموذج استدلال أقوى من النموذج الأساسي الذي انطلقت منه IBM.

فكرتان مختلفتان تمامًا عن التدريب الوكيلي
تم تدريب كلا النموذجين على العمل داخل بيئة معزولة (sandbox)، والوصفان الخاصان بذلك التدريب هما الجزء الأكثر كشفًا في أيٍّ من البطاقتين.
نهج RadixArk كان يتمثل في إجراء أقل قدر ممكن من التغيير. فـDaisyRose 27B تبقي بنية Qwen3.8-27B، ومُرمِّزها، وقالب الدردشة الخاص بها، وبرج الرؤية، وسياق الـ262,144 رمزًا دون تغيير، وتطبّق التعلم المعزز على نحو 1,200 مهمة طويلة الأفق منسّقة بُنيت باستخدام Eigent AI — مهام مصممة لربط عدة مشكلات على نحو متسلسل، ومقاومة التلاعب بالمكافآت، والعمل في جلسات تصل إلى مليون رمز. ثمانية عشر يومًا، و144 من وحدات H200، و63,000 ساعة GPU، ونحو 944,000 بيئة معزولة. دون ضبط دقيق بإشراف، ولا تقطير.
كان نهج IBM هو تغيير السلوك على مراحل. فقد تلقّت عائلة Granite 4.2 30B جولة ثانية من الضبط الدقيق الخاضع للإشراف على بيانات هندسة برمجيات وكيلية مُرفوعة العينات، ثم تعلّمًا معزّزًا وكيليًا شغّل النموذج داخل بيئة معزولة (sandbox) على مهام على غرار SWE-bench، وعمليات الطرفية، والبحث على الويب. وتوضّح البطاقة صراحةً أنّ طراز 30B هو الأقوى أداءً في العائلة في الأعمال الكثيفة الاستدلال والأعمال الوكيلية. كما تتضمن جدولًا كاملًا للقدرات العامة، واثنتي عشرة لغة مختبَرة، وثلاثة أنماط تفكير، وسلسلة تفكير مدمجة.
لا يتنبأ وصف التدريب لدى أيٍّ من المورّدين بملف المعايير الخاص بالآخر، وهذا ما تُظهره الجداول: يتقدّم DaisyRose 27B تقدّمًا حاسمًا في الصفوف كثيفة الاستدلال ولا ينشر شيئًا عن تعدد اللغات أو الرؤية؛ بينما ينشر Granite 4.2 30B نتائج عبر مجموعة اختبارات المؤسسات — MMLU-Pro 77.60، AIME25 89.17، LiveCodeBench v6 75.77، Arena-Hard-V2 67.93، BFCL v4 61.39، τ³-bench 62.00، SWE-bench Verified 57 — ويسجّل 66.41 حيث يتقاطع الاثنان في العلوم.
السياق والذاكرة وقصة النشر
يمثل امتداد 512K لدى Granite عامل تمايز حقيقيًا لا يلتقطه أي صف من صفوف المعايير، ويستحق الأمر أن نكون دقيقين بشأن ما تدّعيه البطاقة: 128K أصلي، و«امتداد السياق الطويل إلى 512K»، مع جدول النموذج الذي يذكر طول تسلسل قدره 131,072. الامتداد ليس هو نفسه الأصلي، وأرقام RULER على البطاقة تُظهر التكلفة — 89.96 عند 64K مقابل 81.38 عند 128K على النموذج نفسه. يتخذ DaisyRose 27B موقفًا معاكسًا: 262,144 رمزًا ثابتًا دون أي متغير للسياق الطويل، موروثًا من Qwen3.8-27B، وتلاحظ RadixArk أن جولات تفكيرها الطويل الخاصة تبلغ عشرات الآلاف من الرموز، وهو ما يذهب إليه جزء كبير من تلك النافذة عمليًا.
• أوزان DaisyRose 27B — BF16 حوالي 52 GB، وFP8 حوالي 29 GB، وNVFP4 حوالي 23 GB ومقتصر على Blackwell، بالإضافة إلى مسوّد فك التشفير التخميني Qwen3.8-27B-DSpark. توصي RadixArk باستخدام SGLang مع DSpark وتنشر تكوينًا مرجعيًا بأربع وحدات GPU مع ذاكرة KV مؤقتة FP8.
• أوزان Granite 4.2 30B — حوالي 29 مليار معامل مخزّنة بصيغة bfloat16، برخصة Apache 2.0، مع توفير تكميمات FP8 وNVFP4/MXFP4 وGGUF إلى جانب إصدار BF16. عند 30B كثيف، يقع في فئة الذاكرة نفسها تقريبًا كنسخة BF16 من DaisyRose، لذا لا يمتلك أي منهما ميزة في البصمة تستحق الجدال.
يكمن الفرق في النشر في الدعم، لا في الحجم. فقد كان Granite 4.2 30B قابلاً للتنزيل والتشغيل منذ ثلاثة أشهر، ولديه تكميمات منشورة من IBM لعدة بيئات تشغيل، وله منظومة من الأشخاص الذين واجهوا بالفعل أنماط فشله. أما DaisyRose 27B فعمره ثلاثة أيام فقط، ولديه ثلاث دقات عددية، ومسار خدمة موصى به واحد، ولا يوجد رقم منشور للإنتاجية لأي تكوين عتادي.

لا يوجد أيٌّ منهما على نقطة نهاية مستضافة هنا
هذا هو القسم الأقل إرضاءً في المقارنة، ويجدر قوله بوضوح: لا يظهر أيٌّ من DaisyRose 27B أو Granite 4.2 30B في كتالوج OrcaRouter في وقت كتابة هذا النص. لا تنشر RadixArk أي واجهة برمجة تطبيقات مستضافة لـ DaisyRose، وتشير إلى SGLang وvLLM وDocker؛ أما Granite 4.2 30B من IBM فهو إصدار مفتوح الأوزان يتمثل مساره العملي في الاستضافة الذاتية، دون وجود سعر مورد يمكن ذكره. وتقتبس إدراجات الأطراف الثالثة الخاصة بـ DaisyRose 0.15 دولار لكل مليون رمز إدخال و1.88 دولار لكل مليون رمز إخراج، وهو سعر افتتاحي من مضيف وليس سعر مورد، وينبغي قراءته على هذا الأساس.
ما يعنيه ذلك للقارئ الذي يحاول أن يقرر هو أن هذه المقارنة لا يمكن حسمها بمجرد تبديل عنوان URL أساسي. كلا النموذجين يحتاج إلى GPU، والنصيحة الصادقة هي إجراء التجربة الأقل تكلفة أولًا: إذا كان عبء عملك يتناسب مع السياق الأصلي البالغ 128K لدى Granite 4.2 30B وجدول قدراته المنشور، فلدى النموذج ثلاثة أشهر من أخطاء الآخرين خلفه، ويمكنك أن تعرف في يوم واحد ما إذا كان يفشل في مهامك.
ما الذي سيجعل هذه المقارنة حقيقية؟
تشغيل واحد على أداة اختبار واحدة كفيل بحسم معظم ما في هذه الصفحة. فـ Terminal-Bench عامة، ومهامها ثابتة، وكلا النموذجين يُحمّلان في بيئات تشغيل قريبة من llama.cpp وبدرجة دقة مماثلة. ولو نشر أحدٌ DaisyRose 27B وGranite 4.2 30B على الأداة نفسها ووفق إعدادات أخذ العينات نفسها، لانكمشت الفجوة البالغة 46 نقطة إلى ما هي عليه في الواقع — على الأرجح في مكان ما بين رقمَي المورّدين، لأن رقم DaisyRose هو أفضل نتيجة من بين نتيجتين عند جهد xhigh، بينما رقم Granite غير مقيّد.
حتى ذلك الحين، فإن القراءة القابلة للدفاع أضيق نطاقًا وما زالت مفيدة: في العلوم بمستوى الدراسات العليا، حيث تكون أدوات التقييم أقل أهمية، يتقدم نموذج RadixArk بفارق كبير على نموذج IBM، بفارق لا يستطيع عدد مرات التشغيل ولا خلط ترتيب الإجابات تفسيره. وفي اتباع التعليمات، فإن الاثنين متقاربان. أما في أعمال وكيل الطرفية فلا يستطيع أحد الجزم، والفجوة المنشورة البالغة 46 نقطة تقيس إعدادَي تقييم على الأقل بقدر ما تقيس نموذجين.
بالنسبة لفريق يختار اليوم، يتعلق القرار بدرجة أقل بجدول القياسات المرجعية وبدرجة أكبر بالنضج. فـ Granite 4.2 30B نموذج مؤسسي مكتمل وموثّق عمره ثلاثة أشهر، مزوّد بنسخ مكمّمة وجدول متعدد اللغات. أما DaisyRose 27B فهي تجربة تعلم معزز عمرها ثمانية عشر يومًا، مع مجموعة لافتة من أرقام المورّد، وصف واحد مشترك يدعمها، ولا يوجد أي إعادة إنتاج مستقلة من أي نوع. إذا كان عبء العمل إنتاجيًا والموعد النهائي هو الآن، فإن هذا الفرق هو ما يحسم الأمر. وإذا كان عبء العمل وكيلًا تتحكم فيه ويمكنك تحمّل كلفة الاختبار المرجعي، فإن صفّي GPQA وIFBench في DaisyRose 27B سبب كافٍ لوضعه على إطار الاختبار نفسه المستخدم مع النموذج الذي تشغله اليوم وترى ما سيحدث.
