Eine generierte Titelkarte mit der Aufschrift „DaisyRose 27B vs Gemma 4 31B“, untertitelt mit „Zwei dichte Modelle, zwei unterschiedliche Aufgaben“, über drei abgerundeten Karten mit der Aufschrift „DaisyRose: 27,8B dicht, nur RL-Post-Training“, „Gemma 4 31B: 30,7B dicht, allgemeine Fähigkeiten“ und „GPQA Diamond: 90,7 gegenüber 84,3“, mit einer Fußzeile „DaisyRose-Werte nach RadixArk, November 2026; Gemma 4 31B-Werte nach Google DeepMind.“ Das OrcaRouter-Logo befindet sich unten rechts.
Guides & Insights

DaisyRose 27B vs. Gemma 4 31B: Zwei dichte Modelle, zwei unterschiedliche Aufgaben

Autor

jinhao.song

Veröffentlicht am

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

DaisyRose 27B und Gemma 4 31B sind das engste Paar in dieser Vergleichsfamilie: beide dicht, beide zwischen 27 und 31 Milliarden Parametern, beide multimodal mit einem 256K-Token-Kontext, beide Apache 2.0, beide liefern einen Speculative-Decoding-Drafter zusammen mit den Gewichten aus. Gemessen an den Belegen, die ihre Anbieter veröffentlicht haben, richten sie sich zudem an unterschiedliche Käufer. Gemma 4 31B ist der Generalist von Google DeepMind – ein dichtes Modell mit 30,7B Parametern, konfigurierbarem Denkmodus, nativem Function Calling, mehr als 140 Sprachen und einer vierzehnzeiligen Fähigkeitstabelle, die alles von AIME bis zur Dokumentenanalyse abdeckt. DaisyRose 27B ist der Spezialist von RadixArk, veröffentlicht am 18. November 2026, ausschließlich mit Reinforcement Learning auf Long-Horizon-Agentenaufgaben nachtrainiert und anhand einer fünfzeiligen agentischen Tabelle belegt. Die Modelle sind in ihrer Form nahezu identisch; die Belege, die jeder Anbieter liefert, sind nahezu disjunkt.

In beiden Tabellen zusammen trägt nur ein Benchmark beide Namen: GPQA Diamond, wo DaisyRose 27B 90,7 und Gemma 4 31B 84,3 meldet. Sechseinhalb Punkte in einer wissenschaftlichen Prüfung auf Graduiertenebene von einem Modell mit 2,9 Milliarden weniger Parametern sind die Schlagzeile, die diese Seite zu bieten hat, und der Rest dreht sich darum, warum diese Schlagzeile dünner ist, als sie aussieht.

Zwei Architekturen, die sich ähneln

Zieht man das Branding ab, überschneiden sich die Datenblätter stärker als bei jedem anderen Duell in dieser Serie.

• Parameter — DaisyRose 27B: 27,8B dense, davon 0,46B ein Vision-Encoder und 0,42B ein Multi-Token-Prediction-Head, gegenüber Gemma 4 31B mit 30,7B dense und einem Vision-Encoder mit etwa 550M Parametern. Auf keiner der beiden Seiten gibt es Experten-Routing, daher entspricht die Anzahl der aktiven Parameter auf beiden Seiten der Gesamtzahl.

• Kontext — 262.144 Tokens für DaisyRose 27B; 256K für Gemma 4 31B. In der Praxis dieselbe Obergrenze.

Modalitäten – Text und Bild als Eingabe, Text als Ausgabe, bei beiden. Audio ist bei keiner der beiden Größen verfügbar; auf der Gemma-Seite ist es auf die E2B-, E4B- und 12B-Mitglieder der Familie beschränkt.

• Lizenz — Apache 2.0 bei beiden, auf beiden Modellkarten angegeben.

• Langkontext-Technik – Gemma 4 31B erreicht das mit 60 Schichten, einem lokalen Schiebefenster von 1.024 Token, das mit voller globaler Attention verschränkt ist, vereinheitlichten Keys und Values in den globalen Schichten und proportionalem RoPE. DaisyRose 27B erbt die Architektur von Qwen3.8-27B unverändert, was dieselbe Idee einer hybriden Attention ist, die aus einer anderen Designlinie stammt.

Die zwei Punkte, in denen sie sich wirklich unterscheiden, sind diejenigen, die entscheiden, wofür das Modell gedacht ist. Gemma 4 31B bietet einen konfigurierbaren Denkmodus, natives Function Calling und explizite Unterstützung für die Systemrolle. DaisyRose 27B bietet eine Chat-Vorlage, die mit der ihres Basismodells identisch ist, und einen Trainingslauf, der sein gesamtes Budget für Terminal- und Tool-Verhalten statt für Breite aufgewendet hat.

Die einzige Zeile, die sie teilen

GPQA Diamond, 198 wissenschaftliche Fragen auf Graduiertenlevel, ist der einzige Benchmark, den beide Karten veröffentlichen, und die Konfigurationen hinter den beiden Zahlen stellen nicht dieselbe Messung dar.

Die 90,7 von DaisyRose 27B stammen aus acht Läufen mit 198 Fragen unter Verwendung der simple-evals-Vorlage, wobei die Antwortreihenfolge jedes Mal neu gemischt wurde; angegeben ist der bessere Wert aus den BF16- und FP8-Läufen. Die 84,3 von Gemma 4 31B ist eine einzelne Zahl auf Googles Model Card, wobei in der Tabelle selbst weder die Anzahl der Läufe noch das verwendete Harness angegeben sind.

Die Lücke ist also insofern real, als beide Anbieter eine Zahl unter demselben Benchmark-Namen veröffentlicht haben, und insofern weich, als die eine Seite acht Läufe und ein Reshuffle-Protokoll vorzuweisen hat, während die Methodik der anderen eine Fußnote ist. Sechseinhalb Punkte entsprechen ungefähr dreiunddreißig von 198 Fragen. Das ist größer als das Stichprobenrauschen bei einem Set von 198 Fragen, aber ein Harness-Unterschied dieser Größe ist nicht unerhört, und keiner der beiden Anbieter hat die Evaluation des anderen durchgeführt.

Interessanter als eine einzelne Punktzahl ist bei dieser Zeile, wo sie im Verhältnis zur Basis jedes Modells steht. DaisyRose 27B verbessert GPQA Diamond gegenüber Qwen3.8-27B von 89,2 auf 90,7 – ein Zugewinn von 1,5 Punkten aus achtzehn Tagen Reinforcement Learning. Gemma 4 31B erreicht 84,3, was 2 Punkte über den 82,3 seines eigenen 26B-A4B-Geschwisters liegt. In diesem Benchmark liegen beide Modelle nahe an dem, wohin ihr Pretraining sie gebracht hat, und das Post-Training hat keines von beiden stark bewegt. Wenn Sie zwischen ihnen im Bereich Graduate Science wählen, ist die Sechs-Punkte-Lücke größtenteils eine Lücke beim Basismodell und nicht eine Lücke beim Trainingsrezept.

A screenshot of the Hugging Face model card for google/gemma-4-31B-it showing the repository header, the dense 30.7B description, the 256K-token context, the Apache 2.0 licence and the benchmark comparison table against Gemma 4 26B A4B.

Die Tabellen, die nur eine Seite ausgefüllt hat

Hier hört der Vergleich auf, ein Vergleich zu sein, und wird zu einer Entscheidung über die Belege. Google veröffentlichte eine allgemeine Fähigkeitstabelle und RadixArk eine agentische, und keine von beiden überschneidet sich mit der anderen.

Die Model Card von Gemma 4 31B enthält MMLU Pro 85,2, AIME 2026 ohne Tools 89,2, LiveCodeBench v6 80,0, Codeforces ELO 2150, Tau2 76,9, HLE ohne Tools 19,5 und mit Suche 26,5, BigBench Extra Hard 74,4, MMMLU 88,4, MMMU Pro 76,9, MATH-Vision 85,6, MedXPertQA MM 61,3, OmniDocBench 1.5 bei 0,131 und MRCR v2 bei acht Needles und 128K Kontext 66,4. Es gibt keine Zeile für Terminal Bench, keine Zeile für SWE-bench und keine Zeile für IFBench.

Die Karte von DaisyRose 27B führt Terminal Bench 4.1 mit 12,0 gegenüber einem Basiswert von 5,6 auf, Terminal Bench 2.1 mit 75,5, DeepSWE v1.1 mit 46,2, SWE Bench Pro v2 mit 94,7 und IFBench mit 82,4, dazu HLE nur Text mit 34,3 und GPQA Diamond mit 90,7. Es gibt kein MMLU Pro, kein AIME, kein Codeforces und überhaupt keine Vision-Benchmark-Zeile – obwohl das Modell einen Vision-Encoder besitzt.

Zwei Asymmetrien in dieser Paarung verdienen es, benannt zu werden. Die erste ist HLE: RadixArk meldet 34,3 ohne Tools, Google meldet 19,5 ohne Tools und 26,5 mit Suche. Selbst wenn man Gemma 4 31B seine toolgestützte Konfiguration zugesteht, liegt die Zahl von DaisyRose 27B um fast acht Punkte höher — doch die Bewerter unterscheiden sich, da RadixArk GPT-6 Luna für fünf Läufe pro Problem einsetzte, während Google sein Bewertungs-Setup nicht angibt. Die zweite ist Vision: DaisyRose 27B bringt einen 0,46B-Vision-Encoder mit und veröffentlicht überhaupt keinen Vision-Benchmark, sodass seine multimodale Fähigkeit öffentlich nicht gemessen ist. Gemma 4 31B veröffentlicht MMMU Pro, MATH-Vision, OmniDocBench und MedXPertQA. Wenn Sie Bildverständnis benötigen, hat eines dieser Modelle Belege und das andere einen Encoder.

Speicher, Formate und was jeder Download kostet

Beide Modelle sind bei voller Präzision 52 bis 63 GB groß, was sie in dieselbe Hardware-Klasse einordnet und die Formatliste zum nützlichen Teil des Vergleichs macht.

• DaisyRose 27B — BF16 etwa 52 GB, FP8 etwa 29 GB, NVFP4 etwa 23 GB und nur für Blackwell, plus RadixArk/Qwen3.8-27B-DSpark als Draft-Modell für spekulatives Decoding für SGLang. Die Referenzkonfiguration besteht aus vier datenparallelen Replikaten auf einem Vier-GPU-Knoten bei Tensor-Parallelität 1, einem 262.144-Token-Kontext und einem FP8-KV-Cache. RadixArk listet Single-GPU-Deployments auf H200, B200, GB300, RTX PRO 6000, RTX 5090 und DGX Spark.

• Gemma 4 31B — bfloat16 in zwei Safetensors-Shards von etwa 49,8 GB und 12,8 GB, zusammen etwa 62,5 GB. Ein QAT-Q4_0-GGUF mit 17,7 GB plus einem 1,2 GB großen Vision-Projektor, insgesamt etwa 18,9 GB vor dem KV-Cache, was die dichte Spitze der Gemma-Reihe auf eine einzelne 24-GB-Consumer-Karte bringt. Ein QAT-w4a16-Compressed-Tensors-Build mit 23,3 GB für vLLM, ein unquantisierter Q4_0-Checkpoint, der die QAT-Gewichte ohne Packing trägt, und ein 0,94 GB großer Multi-Token-Prediction-Drafter.

Die GGUF-Sparte ist der konkrete Unterschied. Google liefert einen 4-Bit-Build aus eigener Fertigung, der auf eine 24-GB-Karte passt; RadixArk liefert drei Präzisionen und erwartet, dass man sie über SGLang bereitstellt. Für ein Team mit einer Workstation und ohne Serving-Stack ist das keine knappe Entscheidung – das eine läuft nach einem Download, das andere braucht ein Deployment.

Ein Detail, das ärgerlich ist: Gemmas Karte erfordert einen Assistenten für spekulative Dekodierung, der der Präzision des Ziel-Checkpoints entspricht, sodass der 0,94-GB-Drafter mit dem QAT-31B-Ziel statt mit der bfloat16-Version gepaart wird. RadixArks Drafter ist nach Qwen3.8-27B benannt und wird mit DaisyRose 27Bs eigenem FP8-Build gepaart.

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 31B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; training RL only, 63,000 GPU-hours; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; formats BF16, FP8, NVFP4. Right column Gemma 4 31B: parameters 30.7B dense; training general pretrain plus post-train; context 256K tokens; GPQA Diamond 84.3; HLE no tools 19.5; formats BF16, QAT Q4_0 GGUF, w4a16. A footer reads 'Both vendor-reported; only GPQA Diamond is published on both cards.' The OrcaRouter logo sits in the bottom-right.

Kosten, und das, was einen Preis hat

Gemma 4 31B ist ab heute auf OrcaRouter als google/gemma-4-31b-it für 0,13 $ pro Million Eingabe-Token und 0,38 $ pro Million Ausgabe verfügbar, mit konfigurierbarem Denkmodus, nativen Funktionsaufrufen und einem 256K-Kontext. Das Suffix -it ist Teil der Zeichenkette, die ein Client übergibt.

DaisyRose 27B hat keinen vom Anbieter gehosteten Preis. Die Website von RadixArk beschreibt Training und Serving für andere Labore und veröffentlicht keinen DaisyRose-Endpunkt; die Modellkarte verweist ausschließlich auf Self-Hosting über SGLang, vLLM und Docker. Drittanbieter-Listings nennen $0,15 pro Million Input- und $1,88 pro Million Output-Token, was eher der Einstiegspreis eines einzelnen Hosts als eine Anbieterrate ist.

Stellt man beides nebeneinander, läuft der Hosting-Vergleich genau entgegengesetzt zur Benchmark-Tabelle: Gemma 4 31B mit 13 Cent pro Million Input-Tokens gegenüber 15 Cent bei einem Drittanbieter-Host, aber 38 Cent gegenüber 1,88 Dollar beim Output. Bei einer generierungslastigen Workload ist das ein Fünffach-Unterschied zugunsten des größeren Modells, und das hat einen strukturellen Grund — Gemma 4 31B verfügt über eine etablierte Hosting-Ebene, auf der mehrere Anbieter konkurrieren, während DaisyRose 27B nur einen Host und drei Tage Historie hat.

A screenshot of the OrcaRouter model catalogue page for google/gemma-4-31b-it showing the model listing, the 30.7B dense description, the 256K-token context and the per-million-token pricing.

Für welche Aufgabe die einzelnen Modelle entwickelt wurden

Die ehrliche Zusammenfassung ist, dass diese Modelle nicht um denselben Kauf konkurrieren, und die Benchmark-Tabellen beweisen es, indem sie sich weigern, sich zu überschneiden.

Gemma 4 31B ist das Modell, das Sie wählen sollten, wenn Sie Breite brauchen: einen Denkmodus, den Sie herunterregeln können, Funktionsaufrufe, die mit bestehenden Tool-Schemata funktionieren, über 140 Sprachen, eine veröffentlichte Vision-Evaluierung, einen quantisierten Build, der auf einer Workstation läuft, und einen gehosteten Preis von dreizehn Cent pro Million Eingabe-Tokens. Es ist die sichere Wahl für ein allgemeines Produkt, und die Kosten, wenn man danebenliegt, belaufen sich auf ein paar Dollar an API-Ausgaben.

DaisyRose 27B ist das Modell der Wahl, wenn du einen Terminal-Agenten baust und ihn hosten kannst. Sein Wert bei Terminal Bench 4.1 ist mehr als doppelt so hoch wie der seines eigenen Basismodells, sein SWE Bench Pro v2 liegt bei 94.7, und sein IFBench-Wert von 82.4 ist der höchste auf RadixArks Vergleichskarte. Jede dieser Zahlen wird vom Anbieter angegeben, keine wurde unabhängig reproduziert, und das Modell ist drei Tage alt. Doch die Behauptung ist so konkret gefasst, dass man sie testen kann: Führe deine eigenen Agent-Traces gegen Qwen3.8-27B aus — verfügbar als qwen/qwen3.8-27b für 0,33 $ pro Million Eingabe-Tokens und 2,40 $ pro Million Ausgabe-Tokens, mit demselben Kontextfenster von 262.144 Tokens und demselben Vision-Tower — und prüfe, ob der Fehlermodus, den RadixArk abtrainiert hat, genau der ist, auf den du tatsächlich stößt.

Das ist zugleich der günstigste Weg, sich zwischen diesen beiden zu entscheiden. Gemma 4 31B und Qwen3.8-27B stehen hinter einem einzigen OrcaRouter-Schlüssel, ohne zweiten Vertrag und ohne Codeänderung, mit 0 % Aufschlag auf den Listenpreis des jeweiligen Anbieters – eine Preisänderung auf einer der beiden Seiten erreicht Sie also am Tag ihres Inkrafttretens. Wenn Gemma 4 31B Ihre Agent-Loop übernimmt, sind Sie mit dreizehn Cent fertig. Wenn nicht, und das Basismodell an derselben Stelle scheitert, dann ist ein achtzehntägiges RL-Post-Training auf einer H200 das Nächste, wofür sich das Geld lohnt – und bis dahin wissen Sie, was Sie damit beheben wollen.