Eine generierte Titelkarte mit der Aufschrift „DaisyRose 27B vs Gemma 4 26B A4B“, dem Untertitel „27,8B werden bei jedem Token gelesen, 3,8B pro Token gelesen“, über drei abgerundeten Karten mit der Aufschrift „DaisyRose: 27,8B dense, Post-Training ausschließlich per RL“, „Gemma 4 26B A4B: 25,2B gesamt, 3,8B aktiv“ und „Hosting-Preis: 0,06 $ Input, 0,33 $ Output pro Million“, mit einer Fußzeile mit der Aufschrift „DaisyRose-Angaben nach RadixArk, November 2026; Gemma-Angaben nach Google DeepMind.“ Das OrcaRouter-Logo befindet sich unten rechts.
Guides & Insights

DaisyRose 27B vs. Gemma 4 26B A4B: 27,8B Dense vs. 3,8B aktiv

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

DaisyRose 27B und Gemma 4 26B A4B sind Modelle derselben Gewichtsklasse mit völlig unterschiedlichen Kostenstrukturen, und die Preiszeile macht das schneller greifbar als jeder Benchmark. Gemma 4 26B A4B – 25,2 Milliarden Parameter, von denen 3,8 Milliarden bei jedem Token gelesen werden – wird auf OrcaRouter zu $0.06 pro Million Eingabe-Tokens und $0.33 pro Million Ausgabe-Tokens. DaisyRose 27B, RadixArks ausschließlich auf Reinforcement Learning setzendes Post-Training von Qwen3.8-27B, veröffentlicht am 18. November 2026, hat 27,8 Milliarden dichte Parameter, wobei jedes einzelne davon bei jedem Token gelesen wird, wird als 52 GB BF16-Gewichte ausgeliefert, hat keine vom Anbieter gehostete API und benötigt zum Laufen überhaupt eine Rechenzentrums-GPU. Das eine ist ein Modell, das man für Cents mietet. Das andere ist ein Modell, das man selbst bereitstellt. Alles Übrige in diesem Vergleich folgt daraus.

Das Benchmark-Bild ist wirklich interessant und wirklich unvollständig: Die beiden Modelle haben genau zwei öffentliche Zeilen gemeinsam, GPQA Diamond und Humanity's Last Exam, und bei beiden liegt DaisyRose 27B mit einem Vorsprung vorn, der deutlich größer ist als der Parameterunterschied. Ob dieser Vorsprung den Kontakt mit einer gemeinsamen Harness übersteht, ist die Frage, die diese Seite nicht beantworten kann – und das sagt sie auch.

Der Name ist eine Spezifikation

Das Label von Gemma 4 26B A4B trägt seine Routing-Policy, und Googles eigene Modellkarte gibt die Lesart direkt an: „Das ‚A‘ in 26B A4B steht für ‚aktive Parameter‘ im Gegensatz zur Gesamtzahl der Parameter, die das Modell enthält.“

• Gesamtparameter — 25.2B. • Aktiv pro Token — 3.8B. • Experten-Layout — 8 von 128 Experten aktiv plus 1 gemeinsam genutzter Experte, pro Token ausgewählt. Der gemeinsam genutzte Experte wird immer gelesen, weshalb die aktive Anzahl nicht einfach 8/128 der Gesamtparameter beträgt. • Schichten — 30, mit einem gleitenden Fenster von 1.024 Token.

DaisyRose 27B hat keine solche Struktur zu beschreiben. Es ist ein dichter Transformer: 27,8 Mrd. Parameter, davon 0,46 Mrd. ein Vision-Encoder und 0,42 Mrd. ein Multi-Token-Prediction-Head, ohne Router zwischen Eingabe und Berechnung. Jedes Token zahlt für jedes Gewicht.

Die praktische Konsequenz ist die eine Zahl, die diese Modelle stärker trennt als jeder Benchmark. Ein Sparse-Modell mit 3,8B aktiven Parametern läuft etwa so schnell wie ein 4B-Modell und bringt dabei den Speicherbedarf eines 25B-Modells mit — Googles Karte sagt das unumwunden und beschreibt die MoE-Variante als „fast so schnell wie ein 4B-Parameter-Modell“. Ein dichtes 27,8B-Modell läuft mit der Geschwindigkeit eines 27,8B-Modells, und niemand hat diese Geschwindigkeit veröffentlicht: RadixArks Karte enthält für keine Hardwarekonfiguration eine Tokens-pro-Sekunde-Angabe.

Was das RL gekauft hat – und was nicht.

Das Training von DaisyRose 27B ist der Teil dieses Vergleichs, für den es auf der Gemma-Seite keine Entsprechung gibt. RadixArk setzte ausschließlich auf Reinforcement Learning – keinen Durchgang mit überwachtem Fine-Tuning, keine Destillation – bei etwa 1.200 kuratierten Agentenaufgaben mit langem Horizont, die mit Eigent AI erstellt wurden, wobei Sitzungen bis zu einer Million Token umfassten, achtzehn Tage lang auf 144 H200 und etwa 63.000 GPU-Stunden. Das Ziel war keine allgemeine Leistungssteigerung, sondern eine spezifische: ein 27B-Modell besser in der Schleife zu machen, eine Aufgabe zu lesen, ein Tool aufzurufen, das Ergebnis zu lesen und den Fehler zu beheben.

Das zeigt sich in den Zeilen, in denen die beiden Modelle tatsächlich verglichen werden können, und es zeigt sich nicht einheitlich.

• GPQA Diamond — DaisyRose 27B 90,7 gegenüber Gemma 4 26B A4B mit 82,3. Beide vom Anbieter gemeldet: RadixArks Wert stammt aus acht Durchläufen mit 198 Fragen unter Verwendung der simple-evals-Vorlage und neu gemischter Antwortreihenfolge; Googles Angabe ist eine einzelne veröffentlichte Zahl auf der Modellkarte.

• Humanity's Last Exam, ohne Tools — DaisyRose 27B 34,3 gegenüber Gemma 4 26B A4B mit 8,7. Dies ist die größte Lücke in beiden Tabellen und diejenige, der man am meisten misstrauen sollte, weil sich die Konfigurationen unterscheiden: RadixArk führte fünf Durchläufe pro Problem mit GPT-6 Luna als Bewerter und ohne Tools durch; Googles 8,7 ist der Wert ohne Tools, mit 17,2, wenn dem Modell ein Suchtool erlaubt wird.

Zwei Zeilen sind kein Vergleich, und kein Anbieter hat das Harness des anderen laufen lassen. Was die HLE-Lücke allerdings nahelegt – und es ist eine Andeutung, keine Messung –, ist, dass sich ein Post-Training, das auf lange agentische Sitzungen abzielt, auf schwierige Denkfragen überträgt, und zwar in einer Weise, wie es eine auf breite Leistungsfähigkeit vortrainierte Sparse-Architektur nicht tut. Was es nicht zeigt, ist, dass der Effekt 25 Punkte beträgt, denn die Harnesses sind unterschiedlich und eine der beiden Zahlen stammt von einem Modell, dem in seiner besseren Konfiguration Tools zur Verfügung gestellt wurden.

A screenshot of the Hugging Face model card for google/gemma-4-26B-A4B-it, showing the repository header, the mixture-of-experts description with 25.2B total and 3.8B active parameters, the 256K-token context, the Apache 2.0 licence and the benchmark table.

Die Zeilen, die nur auf einer Seite vorhanden sind

Beide Karten veröffentlichen Benchmarks, die die jeweils andere nicht veröffentlicht, und die Asymmetrie selbst verrät etwas darüber, was jeder Hersteller für beweisenswert hielt.

Gemma 4 26B A4B veröffentlicht eine vollständige Tabelle der allgemeinen Fähigkeiten: MMLU Pro 82.6, AIME 2026 ohne Tools 88.3, LiveCodeBench v6 77.1, Codeforces ELO 1718, Tau2 gemittelt über drei 68.2, BigBench Extra Hard 64.8, MMMLU 86.3, MMMU Pro 73.8, MATH-Vision 82.4 und MRCR v2 bei acht Needles und 128K Kontext 44.1. Auf der Modellkarte gibt es keine Zeile für Terminal Bench, keine für SWE-bench und keine für IFBench.

DaisyRose 27B veröffentlicht stattdessen das Set für agentische und Instruction-Following-Aufgaben: Terminal Bench 4.1 12,0 gegenüber einer Basis von 5,6, Terminal Bench 2.1 75,5, DeepSWE v1.1 46,2, SWE Bench Pro v2 94,7 und IFBench 82,4. Auf der Model Card gibt es keine Zeile für MMLU Pro, keine für AIME und keine für Codeforces.

Zusammen gelesen beschreiben die beiden Tabellen unterschiedliche Produkte. G​oogle veröffentlicht ein allgemeines Modell und belegt es über die gesamte akademische Standard-Testsuite hinweg. RadixArk veröffentlicht ein Agentenmodell und belegt es über die gesamte agentische Standard-Testsuite hinweg. Die Überschneidung beträgt zwei Zeilen von ungefähr zwanzig, und wer zwischen ihnen wählt, entscheidet sich vor allem dafür, welche Testsuite ihm wichtig ist — eine viel einfachere Entscheidung, als die Score-Spalten vermuten lassen.

Wo jedes Einzelne läuft

Dies ist der Abschnitt, der den Vergleich für die meisten Leser entscheidet, weil sich die Deployment-Geschichten überhaupt nicht überschneiden.

• Gemma 4 26B A4B — heute bei OrcaRouter für 0,06 $ pro Million Eingabe-Token und 0,33 $ pro Million Ausgabe-Token gehostet, zusammen mit einem von Obsidian gehosteten Build derselben Architektur. Die offenen Gewichte stehen unter Apache 2.0: in bfloat16 (etwa 51,6 GB über zwei Shards), ein quantisierungsbewusst trainiertes Q4_0-GGUF, das auf eine einzelne Consumer-Karte passt, ein w4a16-compressed-tensors-Build für vLLM und ein Multi-Token-Prediction-Drafter für spekulatives Decoding. Googles Beitrag zur Modellfamilie beschreibt die beiden größeren Größen als „effizient auf eine einzelne 80-GB-NVIDIA-H100-GPU passend“.

• DaisyRose 27B — BF16 bei etwa 52 GB, FP8 bei etwa 29 GB, NVFP4 bei etwa 23 GB und nur für Blackwell, plus einen DSpark-Drafter für spekulatives Dekodieren für SGLang. RadixArk führt Single-GPU-Deployment auf H200, B200, GB300, RTX PRO 6000, RTX 5090 und DGX Spark auf. Es gibt keinen Preis für eine gehostete API; Drittanbieter-Listings nennen 0,15 US-Dollar pro Million Eingabe-Tokens und 1,88 US-Dollar pro Million Ausgabe-Tokens, was eher die Eröffnungsposition eines Hosts als ein Anbietertarif ist.

Diese Zahlen beziffern die Kluft bei den Hosting-Kosten auf etwa das Zweieinhalbfache beim Input und nahezu das Sechsfache beim Output – zugunsten des Drittanbieters. Das ist der ehrliche Vergleich zum Listenpreis. Es ist zugleich der Vergleich, der sich ändert, sobald die Arbeitslast lang ist: Ein Sparse-Modell zahlt weiterhin 3,8B Rechenaufwand pro Token, während ein dichtes Modell 27,8B zahlt, sodass sich die Kluft bei der Latenz und bei den Hardware-Sekunden ausweitet, lange bevor sie sich bei den Dollar pro Million Token ausweitet.

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 26B A4B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; active per token 27.8B; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; hosted price none, self-host only. Right column Gemma 4 26B A4B: parameters 25.2B total; active per token 3.8B; context 256K tokens; GPQA Diamond 82.3; HLE no tools 8.7; hosted price $0.06 in, $0.33 out per million. A footer reads 'Vendor-reported on both sides; harnesses differ, no shared run.' The OrcaRouter logo sits in the bottom-right.

Was das agentische Training pro Dollar wert ist

Die interessante Variante dieses Vergleichs ist nicht „welches höher punktet“, sondern „was der agentische Zugewinn pro Aufgabe kostet“. RadixArks Modell existiert, weil sein Basismodell Qwen3.8-27B auf Terminal Bench 4.1 5,6 Punkte erzielt und nach dem Post-Training 12,0. Wenn Sie einen Coding-Agenten betreiben, der Befehle ausführt, ist das der Unterschied zwischen einem Modell, das es meistens nicht kann, und einem, das es manchmal kann – und eine Verdopplung einer kleinen Zahl ist für den richtigen Käufer echtes Geld wert.

Gemma 4 26B A4B hat überhaupt keinen Terminal-Bench-Wert, was die Wertaussage anhand öffentlicher Daten unmessbar macht. Was es jedoch hat, ist ein Preis, der das Experiment günstig macht: Bei 0,06 US-Dollar pro Million Input-Tokens lassen sich ein paar tausend Agenten-Trajektorien für die Kosten einer Stunde einer H200 laufen lassen und herausfinden, ob das Modell auf eine Weise scheitert, die für Ihre Workload relevant ist. Die sparse Architektur macht das doppelt günstig – der Token-Preis ist niedrig und die Tokens kommen schnell zurück.

So sieht die eigentliche Entscheidung aus. DaisyRose 27B ist ein spezialisiertes Post-Training-Modell mit einem konkreten, vom Anbieter angegebenen Agentik-Versprechen und ohne Hosting-Preis. Gemma 4 26B A4B ist ein Allgemeinmodell mit einer breiten veröffentlichten Fähigkeitstabelle, einem schnellen Inferenzprofil und einem Listenpreis in Cent pro Million Token. Wenn Ihre Aufgabe Long-Horizon-Tool-Nutzung ist und Sie selbst hosten können, lohnt es sich, den Spezialisten zu benchmarken. Wenn Ihre Aufgabe etwas anderes ist oder Sie nicht selbst hosten können, gewinnt das Allgemeinmodell zu 0,06 $ auf der einzigen Achse, die zählt.

Beide von einer Taste aus ausführen

Gemma 4 26B A4B ist heute auf OrcaRouter verfügbar unter google/gemma-4-26b-a4b-it, angeboten für 0,06 US-Dollar pro Million Eingabe-Tokens und 0,33 US-Dollar pro Million Ausgabe-Tokens, mit einem Kontext von 262.144 Tokens sowie Text-, Bild- und Videoeingabe. DaisyRose 27B ist zum Zeitpunkt des Verfassens nicht im Katalog und diese Seite wird nichts anderes nahelegen — es handelt sich um eine selbst gehostete Version über SGLang, vLLM und Docker.

Seine Basis ist es allerdings. Qwen3.8-27B wird als qwen/qwen3.8-27b zu $0,33 pro Million Eingabe-Tokens und $2,40 pro Million Ausgabe-Tokens angeboten, mit demselben 262.144-Token-Kontext und demselben Vision-Tower, den das Post-Training beibehält. Das gibt Leserinnen und Lesern zwei nützliche Dinge: eine Baseline aus derselben Familie, die sie mit ihren eigenen Prompts ausführen können, bevor sie entscheiden, ob sich die Bereitstellung des RL-Post-Trainings lohnt, und einen Fallback-Weg. Wenn eine selbst gehostete DaisyRose-Instanz auf ein Sandbox-Timeout stößt, kann eine Routing-Regel den Aufruf an das Basismodell weiterreichen, statt ihn zu verwerfen, und da wir die Listenpreise der Anbieter mit 0 % Aufschlag durchreichen, erreicht eine Preisanpassung auf Anbieterseite an beiden Enden denselben Schlüssel am Tag ihres Inkrafttretens.

Der günstigste nächste Schritt ist kein Benchmark: Es bedeutet, Gemma 4 26B A4B und Qwen3.8-27B auf deinen eigenen Agent-Traces laufen zu lassen, und zwar in dieser Reihenfolge – zuerst das günstige Modell, um zu sehen, wo deine Aufgaben tatsächlich scheitern, dann die teurere Baseline, um zu sehen, ob das Scheitern am Basismodell liegt. Erst danach hat ein achtzehntägiges RL-Post-Training überhaupt etwas, gegen das es sich beweisen kann.

In diesem Artikel verglichen1

Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert