بطاقة عنوان مُولَّدة تحمل النص «DaisyRose 27B مقابل ZWZ2 27B» مع العنوان الفرعي «المتوسطات مقابل الحدود القصوى»، وبطاقة يسرى تسرد DaisyRose-27B على قاعدة Qwen3.8-27B، وسبعة اختبارات معيارية مُبلَّغ عنها ونتيجة رئيسية Terminal Bench 4.1 من 12.0، وبطاقة يمنى تسرد ZwZ2-27B على قاعدة Qwen3.6-27B، وخمسة وعشرين اختبارًا معياريًا مُبلَّغًا عنها ومتوسط رئيسي قدره 60.51، وتذييل يحمل النص «كلا الجدولين مُبلَّغ عنهما من المورّد؛ يفصل بينهما جيل أساس واحد»، وشعار OrcaRouter.
Guides & Insights

DaisyRose 27B مقابل ZWZ2 27B: المتوسطات مقابل الآفاق

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

ضع DaisyRose-27Bو ZWZ2-27Bجنبًا إلى جنب، وستحصل على عمليتي تدريب لاحق حقيقيتين قائمتين على التعلم المعزز لنقاط تحقق Qwen، صدرتا بفارق ثلاثة أسابيع في خريف 2026، ووُردتا بأسلوبين مختلفين تمامًا. DaisyRose-27B، من RadixArk في 18 نوفمبر 2026، يضم سبعة معايير قياس مقابل Qwen3.8-27B، مع أكبر مكسب نسبي في أصعبها. ZWZ2-27B، من inclusionAI، يضم خمسة وعشرين معيارًا عبر ستة مجالات مقابل Qwen3.6-27B، ووُرد كمتوسط درجة يرتفع من 55.52 إلى 60.51.

نشر أحد المختبرين نتيجةً على الحدود المتقدمة، ونشر الآخر متوسطًا. هذان ليسا النوع نفسه من الادعاءات، والفرق بينهما يخبرك عن الغرض من كل نموذج أكثر مما يخبرك به أي رقم منفرد في أيٍّ من الجدولين.

قواعد مختلفة، بفارق جيل واحد

الحقيقة الأكثر أهمية في هذه المواجهة هي أن النموذجين لا يشتركان في سلف واحد. فـ ZWZ2-27B مبني على Qwen3.6-27B، بينما DaisyRose-27B مبني على Qwen3.8-27B. أي إن الفارق بينهما هو جيل أساس واحد، وهذا يعني أن المواجهة المباشرة التي تُجريها عادةً صفحة "vs" غير متاحة هنا إطلاقًا — لا لأن الأرقام ناقصة، بل لأن التغلب على أساس من الجيل السابق يعني شيئًا مختلفًا عن التغلب على الأساس الحالي.

بطاقة ZWZ2-27B الخاصة به توضح ذلك بإيراد كل مكسب مقابل Qwen3.6-27B. أما بطاقة DaisyRose-27B فتُورد المقارنة مقابل Qwen3.8-27B. القارئ الذي يقارن رقمي التحسّن إنما يقارن تحسّنًا على قاعدة أقدم بتحسّن على قاعدة أحدث، وقد بدأت القاعدة الأحدث من مستوى أعلى. لا يوجد حساب يعالج ذلك، ولا ينبغي لأي مقال أمين أن يحاول.

كيف يبلّغ ZWZ2 عن نفسه

يُنظَّم تقييم ZwZ2-27B حسب المجال لا حسب صعوبة الاختبار المعياري. خمسة وعشرون اختبارًا معياريًا موزَّعة على ستة مجالات، ولكل مجال متوسطه الخاص قبل وبعد:

• الإدراك الدقيق — من 62.09 إلى 67.57، بزيادة قدرها 5.48 عبر ثمانية معايير تشمل VStar وHR-Bench 8K وMME-RealWorld.

• التفكير المكاني — من 49.72 إلى 55.98، بزيادة 6.26، وهو أكبر مكسب في المجال.

• الاستدلال البصري العام — من 47.89 إلى 53.71، بزيادة 5.82، ويشمل MMStar وBabyVision.

• المكاني المُجسَّد — من 50.17 إلى 55.71، بزيادة 5.54.

• السياق الطويل — من 65.87 إلى 68.77، بزيادة 2.90.

• وكلاء متعددو الوسائط — من 49.73 إلى 51.81، بزيادة 2.08، وهو أصغر مكسب وأكثره دلالة.

يرتفع المتوسط الإجمالي من 55.52 إلى 60.51، أي بزيادة قدرها 4.99، وتذكر inclusionAI أن النموذج المضبوط يتفوق على النموذج الأساسي في كل واحد من المعايير الخمسة والعشرين. وهذا ادعاء قوي بشأن الاتساق وادعاء ضعيف بشأن أي قدرة بعينها، لأن المتوسط عبر خمسة وعشرين اختبارًا تهيمن عليه الاختبارات التي كان النموذج جيدًا فيها بالفعل.

كيف تُقدِّم DaisyRose تقاريرها عن نفسها

اتخذت RadixArk النهج المعاكس: سبعة معايير، يُبلَّغ عن كل منها على حدة، مع درجة النموذج الأساسي إلى جانبه. يرتفع Terminal Bench 4.1 من 5.6 إلى 12.0، وTerminal Bench 2.1 من 73.0 إلى 75.5، وDeepSWE v1.1 من 42.2 إلى 46.2، وSWE Bench Pro v2 من 91.3 إلى 94.7، وHumanity's Last Exam من 33.9 إلى 34.3، وIFBench من 79.5 إلى 82.4، وGPQA Diamond من 89.2 إلى 90.7.

لا يُقدَّم أي متوسط، وهذا هو المغزى. المكسب الرئيسي، أكثر من الضعف على Terminal Bench 4.1، مكسب من قاعدة منخفضة جدًا — فـ 5.6 قريب من الحد الأدنى. أما الاختباران المعياريان اللذان كان الأساس فيهما قويًا بالفعل، HLE وGPQA Diamond، فبالكاد يتحركان. وعند قراءتها كمجموعة، يقول الجدول إن عملية الضبط قد اشترت كفاءةً وكيليةً وتركت الاستدلال العام دون مساس، وهو بالضبط ما ينبغي أن تنتجه مكافأة مبنية على مهام وكيلية طويلة الأفق.

A generated two-column scoreboard. DaisyRose-27B: base model Qwen3.8-27B, benchmarks published 7, Terminal Bench 4.1 5.6 to 12.0, Humanity's Last Exam 34.3, reporting style individual rows, context 262,144. ZwZ2-27B: base model Qwen3.6-27B, benchmarks published 25, reporting style domain means, context 262,144. Footer reads 'Vendor-reported; the two bases are one generation apart.'

ما الذي يخفيه متوسط 25 معيارًا

أضعف الصفوف المطلقة لدى ZWZ2-27B هي الصفوف المثيرة للاهتمام، وبطاقته الخاصة تنشرها: Chartography 12.00، وAgentVista 18.18، وPerception-Bench 44.93، وScreenSpot-Pro 70.59. وهذه تقف إلى جانب متوسطات المجال في الخمسينات والستينات، ما يعني أن المتوسط العام مدعوم بالمعايير التي يبرع فيها النموذج، بينما تقترب المعايير الصعبة حقًا من الحد الأدنى.

هذا أمر طبيعي في مرحلة ما بعد التدريب، ولا ينبغي قراءته على أنه عيب. غير أنه تحديدًا المعلومات التي يمحوها المتوسط. الفريق الذي يقرأ «60.51» ويتوقع نموذجًا جيدًا بنسبة 60% في كل شيء سيفاجأ بشدة عندما يرى Chartography عند 12. أما الفريق الذي يقرأ الصفوف الخاصة بكل معيار تقييم فيعرف فورًا أيًا من أعباء عمله لم يُدرَّب هذا النموذج عليها.

ينطبق التحفّظ نفسه بالعكس على DaisyRose-27B. فدرجته 12.0 في Terminal Bench 4.1 تمثّل مكسبًا نسبيًا كبيرًا ونتيجةً مطلقة ضعيفة، وبطاقة النموذج صادقة بشأن كليهما. ولا يصمد الرقم الرئيسي لأيٍّ من النموذجين أمام صفوف التفاصيل الخاصة به.

البنية المعمارية والترخيص

يرث كلاهما قاعدته الأساسية دون تغيير. يحمل ZWZ2-27B تهيئة Qwen3.6-27B كما نُشرت: حجم مخفي 5,120، و64 طبقة، و24 رأس استعلام و4 رؤوس مفتاح-قيمة ببُعد 256، وFFN بحجم 17,408، ونمط انتباه خطي إلى كامل بنسبة ثلاثة إلى واحد متكرر ست عشرة مرة، وM-RoPE متشابك مع قاعدة rope قدرها عشرة ملايين، ومفردات من 248,320، و262,144 موضعًا أصليًا. ويتكون برج الرؤية فيه من 27 طبقة بعرض 1,152 تُسقط إلى 5,120، مع رقع بحجم 16 بكسل ودمج 2×2. لا توجد طبقة تنبؤ متعدد الرموز — إذ تضبط التهيئة ذلك على صفر — وتبلغ أوزان BF16 نحو 54 GB موزعة على شريحتين، مع transformers 5.13.1 بوصفه المسار الموثق.

يحمل DaisyRose-27B تكوين Qwen3.8-27B نفسه: الحجم المخفي وعدد الطبقات نفسهما، وانتباه خطي Gated DeltaNet بالنمط نفسه ثلاثة إلى واحد، ومُرمِّز رؤية بحجم 0.46B، ورأس تنبؤ بحجم 0.42B لا يمتلكه ZWZ2-27B. السياق 262,144 لكليهما. يُشحن DaisyRose بصيغة BF16 بحجم نحو 52 GB، وFP8 بحجم 29 GB، وNVFP4 بحجم 23 GB مع وصفة خدمة SGLang كاملة؛ بينما يُشحن ZwZ2-27B بصيغة BF16 فقط.

• الترخيص — Apache-2.0 لكليهما، موروث من أساسيهما.

• الرؤية — كلاهما يقبل الصور ويُرجع النص؛ ولا يقتصر أي منهما على النص فقط.

• التكميمات — ثلاث صيغ لـ DaisyRose-27B، وBF16 فقط لـ ZwZ2-27B.

• توثيق تقديم الخدمة — إعداد مفصّل لـSGLang مع فك الترميز التخميني لـDaisyRose-27B؛ ودليل بدء سريع لـtransformers من أجل ZwZ2-27B.

• تقييم مستقل — لا يتوفر أيٌّ منهما لأيٍّ من الطرازين وقت كتابة هذا النص.

Screenshot of the RadixArk release post for DaisyRose-27B captured 21 November 2026, dated November 18, 2026 and headed 'DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency', stating that the model is built on Qwen3.8-27B and trained with reinforcement learning on long-horizon agent tasks with sessions up to 1M tokens, using 1,200 curated tasks in 18 days on 144 GPUs.

سؤال الإدراك

تتركز مكاسب ZwZ2-27B في الإدراك والاستدلال المكاني: إذ يرتفع الإدراك الدقيق بمقدار 5.48، والمكاني بمقدار 6.26، والمكاني المُجسَّد بمقدار 5.54، وتقع المعايير عالية الدقة مثل HR-Bench 8K ضمن هذه المجموعة الأولى. ولا يورد DaisyRose-27B أي معيار إدراكي على الإطلاق. فمُرمِّز الرؤية لديه موروث وغير مساس به، ولا شيء في بطاقة النموذج يشير إلى أن المكافأة شكّلته.

هذا التفاوت هو ما يحسم القرار. إذا كان عبء العمل لديك لقطة شاشة أو مخططًا كثيفًا أو صفحة ممسوحة ضوئيًا أو تخطيطًا مكانيًا، فإن بطاقة ZwZ2-27B تعالجه مباشرةً، بينما لا تفعل بطاقة DaisyRose-27B ذلك. أما إذا كان عبء العمل لديك طرفية أو مستودعًا برمجيًا أو جلسة طويلة لاستدعاء الأدوات، فالعكس هو الصحيح: بطاقة DaisyRose-27B مليئة بهذه الصفوف تحديدًا، وأضعف مجال لدى ZwZ2-27B هو الوكلاء متعددو الوسائط بمتوسط 51.81.

لا تُعدّ أي من البطاقتين دليلًا أفضل من الأخرى. فهما دليلان على أمرين مختلفين، أُنتجا وفق بروتوكولات مختلفة، والاستجابة الصحيحة هي قراءة كل منهما في ضوء السؤال الذي صُممت للإجابة عنه.

تشغيلها وخلطها

لا يتم استضافة DaisyRose-27B ولا ZwZ2-27B على OrcaRouter اليوم. كلاهما أوزان تشغّلها بنفسك أو تصل إليها عبر منصات طرف ثالث، ما يعني أن كليهما يحمل المشكلة التشغيلية نفسها: نقطتا تحقق، ونشران، ومجموعتان من قرارات السعة، ولا سبيل لإرسال طلب إلى أيهما المتاح حاليًا.

تلك هي الحالة التي بُني التوجيه من أجلها. عندما يقسّم نموذجان عبء العمل على خط فاصل واضح — الإدراك على جانب، والفعل الوكيلي على الجانب الآخر — ينتهي التطبيق إلى تصنيف الطلبات واستدعاء نقطتي نهاية مختلفتين على أي حال. لغة التوجيه DSL الخاصة بـ OrcaRouter تتيح أن يعيش ذلك التصنيف في مكان واحد، مع تركيب النموذجين في مسار استدعاء واحد، مع تجاوز فشل تلقائي بحيث ينتقل نشر مستضاف ذاتيًا مشبع إلى نقطة نهاية ثانية بدلًا من إرجاع خطأ. بالنسبة لزوج من النماذج بهذا القدر من الحداثة وهذا القدر الضئيل من التوثيق، فإن تجاوز الفشل أقل ارتباطًا بوقت التشغيل وأكثر ارتباطًا بعدم المراهنة على مسار إنتاجي بأوزان ظلت متاحة للعموم لمدة ثلاثة أسابيع. كما أن OrcaRouter تمرر سعر قائمة المزوّد بهامش ربح 0% على كل ما نستضيفه، لذا فإن الجزء المستضاف من عملية نشر مختلطة يُسعّر بسعر التكلفة لا بمضاعف.

Screenshot of the Hugging Face model page for inclusionAI/ZWZ2-27B captured 21 November 2026, showing 15 likes, the Image-Text-to-Text pipeline tag, Transformers and Safetensors formats, tags for inclusionAI/ZwZ2-RL-VQA, grpo and conversational, two arXiv links, and an Eval Results section.

أي تقرير تثق به لاتخاذ قرارك؟

اختر ZwZ2-27B إذا كان عملك يقوم على الإدراك أولًا وكنت تريد نموذجًا توثّق بطاقته ذلك عبر خمسة وعشرين معيارًا — واقرأ الصفوف المطلقة، لا المتوسط. اختر DaisyRose-27B إذا كان عملك وكيليًا وكنت تريد نموذجًا توثّق بطاقته تغييرًا سلوكيًا محددًا وقابلًا للتحقق مقارنةً بالنموذج الأساسي الذي اشتُق منه. لا تختر أيًا منهما إذا كنت تحتاج إلى تحقق مستقل قبل الالتزام: كلا الجدولين مُبلَّغ عنهما من المورّد، وليس لأي منهما نتيجة Artificial Analysis، والرقم الوحيد الذي قد يريده فريق المشتريات — الأداء على عبء العمل الخاص بك — غير موجود في أي من الوثيقتين.

المقارنة التي ستكون مهمة فعلاً هي المقارنة التالية. كلا المختبرين لا يزالان عند نموذجه الأول، وكلاهما بُني على نقاط تفتيش Qwen، وكلاهما استخدم التعلم المعزز باعتباره القصة الكاملة لما بعد التدريب. إذا أطلقت inclusionAI نموذج ZwZ3 على Qwen3.8-27B، أو أطلقت RadixArk نموذج DaisyRose ثانيًا يحافظ على وصفة الوكيل ويضيف صفوف إدراك، فسيجتمع أسلوبا الإبلاغ أخيرًا على قاعدة مشتركة، وتصبح مواجهة مباشرة حقيقية ممكنة. حتى ذلك الحين، الملخص الصحيح هو أن هذه النماذج قِيسَت لأغراض مختلفة، وأن الفرق بين نموذج متوسط ونموذج في الطليعة هو الفرق بين السؤال «هل هو أفضل بشكل عام» والسؤال «هل هو أفضل في الأمر الذي أحتاجه».