Eine Titelkarte mit der Aufschrift „DaisyRose 27B vs Granite 4.2 30B“, Untertitel „46 Punkte Abstand bei Terminal Bench 2.1“, darüber drei Karten mit der Aufschrift „DaisyRose: 27.8B dense, 75.5 bei Terminal Bench 2.1“, „Granite 4.2 30B: 30B dense, 29.24 bei Terminal Bench 2.1“ und „Beide: Apache 2.0, Self-Host zuerst“, mit einer Fußzeile „Beide Werte sind Herstellerangaben, ermittelt auf dem jeweiligen eigenen Harness des Anbieters.“ Das OrcaRouter-Logo befindet sich unten rechts.
Guides & Insights

DaisyRose 27B vs. Granite 4.2 30B: 46 Punkte, zwei Test-Harnesses

Autor

jinhao.song

Veröffentlicht am

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

DaisyRose 27B und Granite 4.2 30B geben beide einen Score auf Terminal Bench 2.1 an. DaisyRose 27B, RadixArks ausschließlich auf Reinforcement Learning basierendes Post-Training von Qwen3.8-27B, veröffentlicht am 18. November 2026, erreicht 75,5 gegenüber 73,0 beim Basismodell. Granite 4.2 30B, IBMs dichtes Modell mit 30 Milliarden Parametern, veröffentlicht am 25. August 2026, erreicht 29,24. Das ist eine 46-Punkte-Lücke unter demselben Benchmark-Namen zwischen zwei dichten Modellen nahezu identischer Größe, und die naheliegende Schlussfolgerung – dass DaisyRose 27B bei agentischer Terminal-Arbeit zweieinhalbmal besser ist – ist mit ziemlicher Sicherheit falsch. Die beiden Zahlen wurden nicht auf dieselbe Weise erzeugt, und auf dieser Seite geht es im Wesentlichen darum, wie eine 46-Punkte-Lücke kleiner sein kann, als sie aussieht.

Die beiden Modelle haben mehr gemeinsam, als diese Kluft vermuten lässt: Beide sind dense, beide haben rund 30 Milliarden Parameter, beide stehen unter Apache 2.0, beide sind Open-Weight-Veröffentlichungen ohne einen vom Anbieter gehosteten API-Preis, den man nennen könnte, und beide wurden speziell für agentische Tool-Nutzung in Sandboxes trainiert. Sie sind das am besten zueinander passende Paar dieser Serie – sowohl architektonisch als auch von der Zielsetzung her –, und genau deshalb lohnt es sich, die Zahlen auf ihren Modellkarten sorgfältig zu lesen, statt sie voneinander abzuziehen.

Anatomie einer 46-Punkte-Lücke

Beginnen Sie damit, was jeder Anbieter darüber sagt, wie die Zahl ermittelt wurde, denn beide Karten sind ungewöhnlich ausdrücklich und beschreiben unterschiedliche Messungen.

• DaisyRose 27B — fünf Läufe pro Aufgabe auf dem Terminus-2-Harness. Die Vergleichskarte führt Terminus 2 ausdrücklich auf und gibt die Anzahl der Läufe an. Die Stichprobenziehung erfolgte mit Temperatur 1,0, top_p 0,95, top_k 20, Reasoning-Aufwand xhigh, und die veröffentlichte Punktzahl ist die bessere der BF16- und FP8-Läufe.

• Granite 4.2 30B — 29,24 bei Terminal-Bench 2.1, angegeben als einzelne Tabellenzeile auf der Modellkarte. Die Karte dokumentiert das agentische Training der Modellfamilie ausführlich — einen zweiten Durchgang überwachten Fine-Tunings mit hochgesampelten agentischen Software-Engineering-Daten, anschließend agentisches Reinforcement Learning in einer Sandbox, die Aufgaben im SWE-bench-Stil, Terminaloperationen und Websuche ausführt — doch die Terminal-Bench-Zeile selbst enthält keine angegebene Anzahl der Läufe, keinen Namen des Harness und keine Sampling-Konfiguration.

Diese Asymmetrie ist die ganze Geschichte hinter den 46 Punkten. Ein Anbieter veröffentlichte einen stark instrumentierten Wert bei maximalem Reasoning-Aufwand über fünf Durchläufe; der andere veröffentlichte eine Tabellenzelle. Ein Terminal-Bench-Ergebnis bei Reasoning-Aufwand xhigh kann sich gegenüber demselben Modell mit Standardeinstellungen um Dutzende Punkte verschieben, weil der Benchmark eine Abfolge von Shell-Befehlen ist, bei der ein Modell, das länger nachdenkt, mehr Versuche bekommt, sich von seinen eigenen Fehlern zu erholen. Eine Best-Effort-Zahl bei hohem Aufwand aus fünf Durchläufen mit einer unqualifizierten Einzelzahl zu vergleichen, ist überhaupt kein Vergleich.

Es gibt eine zweite Asymmetrie, subtiler und interessanter. Das eigene Basismodell von DaisyRose 27B, Qwen3.8-27B, erzielt 73,0 auf derselben Zeile derselben Karte. RadixArks Post-Training verbesserte Terminal Bench 2.1 also um 2,5 Punkte, während die 46-Punkte-Lücke zu Granite aus 44 Punkten Unterschied beim Basismodell und 2 Punkten Training besteht. Alles, was diese beiden Anbieter bei diesem Benchmark trennt, liegt im Ausgangspunkt, nicht im Reinforcement Learning.

Wo die Tische aufeinandertreffen

Zwei weitere Zeilen sind gemeinsam, und beide sind besser vergleichbar als Terminal-Bench.

• GPQA Diamond — DaisyRose 27B 90,7 über acht Durchläufe bei 198 Fragen mit neu gemischter Antwortreihenfolge; Granite 4.2 30B 66,41. Ein 24-Punkte-Abstand, den kein Harness-Unterschied plausibel erklären kann. DaisyRoses Basisversion erreicht 89,2, das Post-Training fügte also einem Basismodell, das bereits weit vorne lag, 1,5 Punkte hinzu.

• IFBench — DaisyRose 27B 82,4 bei vier Durchläufen mit 300 Prompts mit dem offiziellen allenai-Scorer, strikte Genauigkeit auf Prompt-Ebene ohne Thinking; Granite 4.2 30B 77,17, auf der Karte als „prompt“ gekennzeichnet. Eine Lücke von 5 Punkten und das, was auf beiden Karten einem echten Gleichstand am nächsten kommt.

Der GPQA-Wert ist derjenige, der die Sicht eines Lesers auf dieses Duell verändern sollte. Granite 4.2 30B ist ein Modell, das IBM für agentische Unternehmensarbeit entwickelt hat – zwölf getestete Sprachen, drei Reasoning-Modi, Tool Calling, ein nativer 128K-Kontext, erweiterbar auf 512K – und es erreicht 66,41 in Wissenschaft auf Graduierteniveau. DaisyRose 27B erreicht 90,7. Ungeachtet der Harness-Vorbehalte bei Terminal-Bench: Naturwissenschaftliche Fragen auf Graduierteniveau haben keinen Harness, der 24 Punkte verschiebt, und die ehrliche Lesart ist, dass RadixArks Basismodell, Qwen3.8-27B mit 89,2, schlicht ein stärkeres Reasoning-Modell ist als das Basismodell, von dem IBM ausging.

A screenshot of the Hugging Face model card for ibm-granite/granite-4.2-30b, showing the model summary with 30B dense parameters, the 128K native context with 512K extension, the Apache 2.0 licence, the three reasoning modes and the benchmark table including GPQA 66.41 and Terminal-Bench 2.1 at 29.24.

Zwei sehr unterschiedliche Vorstellungen von agentischem Training

Beide Modelle wurden darauf trainiert, in einer Sandbox zu arbeiten, und die beiden Beschreibungen dieses Trainings sind der aufschlussreichste Teil der jeweiligen Karte.

RadixArks Ansatz bestand darin, so wenig wie möglich zu verändern. DaisyRose 27B behält die Architektur, den Tokenizer, das Chat-Template, den Vision-Tower und den Kontext von 262.144 Token von Qwen3.8-27B unverändert und wendet Reinforcement Learning auf rund 1.200 kuratierte Long-Horizon-Aufgaben an, die mit Eigent AI erstellt wurden – Aufgaben, die darauf ausgelegt sind, mehrere Probleme zu verketten, Reward Hacking zu widerstehen und in Sitzungen von bis zu einer Million Token zu laufen. Achtzehn Tage, 144 H200, 63.000 GPU-Stunden, etwa 944.000 Sandboxes. Kein überwachtes Fine-Tuning, keine Destillation.

IBMs Ansatz bestand darin, das Verhalten schrittweise zu ändern. Die Familie von Granite 4.2 30B erhielt einen zweiten Supervised-Fine-Tuning-Durchlauf auf hochgesampelten agentischen Software-Engineering-Daten und anschließend agentisches Reinforcement Learning, bei dem das Modell in einer Sandbox auf Aufgaben im SWE-bench-Stil, Terminalvorgängen und Websuche lief. Die Modellkarte macht ausdrücklich klar, dass das 30B-Modell die stärkste Variante der Familie für reasoningintensive und agentische Aufgaben ist. Außerdem enthält sie eine vollständige Tabelle der allgemeinen Fähigkeiten, zwölf getestete Sprachen, drei Denkmodi und integriertes Chain-of-Thought.

Keine der Trainingsbeschreibungen der beiden Anbieter sagt das Benchmark-Profil des jeweils anderen voraus, und genau das zeigen die Tabellen: {{1}}DaisyRose 27B führt bei den Zeilen mit starkem Reasoning-Schwerpunkt entscheidend und veröffentlicht nichts zu Mehrsprachigkeit oder Vision{{/1}}; {{2}}Granite 4.2 30B veröffentlicht Werte über die gesamte Enterprise-Suite hinweg — 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 — und erzielt 66.41 dort, wo sich die beiden im Bereich Wissenschaft überschneiden{{/2}}.

Kontext, Speicher und die Deployment-Story

Granites 512K-Erweiterung ist ein echtes Alleinstellungsmerkmal, das keine Benchmark-Zeile abbildet, und es lohnt sich, präzise zu benennen, was die Karte behauptet: 128K nativ, „Long-Context-Erweiterung auf 512K“, wobei die Modelltabelle eine Sequenzlänge von 131.072 aufführt. Erweiterung ist nicht dasselbe wie nativ, und die RULER-Werte auf der Karte zeigen den Preis – 89,96 bei 64K gegenüber 81,38 bei 128K beim selben Modell. DaisyRose 27B vertritt die entgegengesetzte Position: eine feste Fenstergröße von 262.144 Token ohne Long-Context-Variante, übernommen von Qwen3.8-27B, und RadixArk merkt an, dass seine eigenen langen Thinking-Läufe Zehntausende Token erreichen, wofür in der Praxis ein Großteil dieses Fensters draufgeht.

• DaisyRose 27B-Gewichte — BF16 etwa 52 GB, FP8 etwa 29 GB, NVFP4 etwa 23 GB und nur für Blackwell, plus der Qwen3.8-27B-DSpark-Drafter für spekulatives Decodieren. RadixArk empfiehlt SGLang mit DSpark und veröffentlicht eine Referenzkonfiguration mit vier GPUs und einem FP8-KV-Cache.

• Granite 4.2 30B Gewichte – etwa 29B in bfloat16 gespeichert, Apache 2.0, mit FP8-, NVFP4/MXFP4- und GGUF-Quantisierungen, die zusammen mit dem BF16-Release ausgeliefert werden. Mit 30B dense liegt es ungefähr in derselben Speicherklasse wie DaisyRoses BF16-Build, sodass keiner einen Footprint-Vorteil hat, über den zu streiten sich lohnt.

Der Unterschied beim Deployment liegt in der Unterstützung, nicht in der Größe. Granite 4.2 30B ist seit drei Monaten herunterladbar und lauffähig, verfügt über von IBM für mehrere Runtimes veröffentlichte Quantisierungen und ein Ökosystem von Leuten, die bereits auf seine Fehlermodi gestoßen sind. DaisyRose 27B ist drei Tage alt, hat drei Präzisionsstufen, einen empfohlenen Serving-Pfad und keinen veröffentlichten Durchsatzwert für irgendeine Hardwarekonfiguration.

A generated two-column scoreboard titled 'DaisyRose 27B vs Granite 4.2 30B — the scoreboard'. Left column DaisyRose 27B: Parameters 27.8B dense; Context 262,144 tokens; Terminal Bench 2.1 75.5; GPQA Diamond 90.7; IFBench 82.4; Released 18 November 2026. Right column Granite 4.2 30B: Parameters 30B dense; Context 128K native, 512K extended; Terminal Bench 2.1 29.24; GPQA Diamond 66.41; IFBench 77.17; Released 25 August 2026. Footer reads 'Both vendor-reported on separate harnesses; the Terminal-Bench rows were not run the same way.' The OrcaRouter logo sits in the bottom-right.

Keines von beiden läuft hier auf einem gehosteten Endpunkt.

Dies ist der am wenigsten zufriedenstellende Abschnitt des Vergleichs, und es lohnt sich, dies klar zu sagen: Weder DaisyRose 27B noch Granite 4.2 30B erscheint im Katalog von OrcaRouter zum Zeitpunkt des Verfassens. RadixArk veröffentlicht keine gehostete DaisyRose-API und verweist auf SGLang, vLLM und Docker; IBMs Granite 4.2 30B ist eine Open-Weight-Veröffentlichung, deren praktikabler Weg das Selbsthosting ist, ohne einen Anbieterpreis nennen zu können. Drittanbieter-Einträge für DaisyRose nennen $0.15 pro Million Eingabe-Tokens und $1.88 pro Million Ausgabe-Tokens, was eine Ausgangsposition eines Hosters und keinen Anbieterpreis darstellt und als solche gelesen werden sollte.

Was das für einen Leser bedeutet, der sich entscheiden möchte, ist, dass dieser Vergleich nicht durch das Ändern einer Basis-URL geklärt werden kann. Beide Modelle benötigen eine GPU, und der ehrliche Rat lautet, zuerst das günstigere Experiment durchzuführen: Wenn Ihre Arbeitslast in den nativen 128K-Kontext von Granite 4.2 30B und seine veröffentlichte Fähigkeitstabelle passt, hat das Modell drei Monate der Fehler anderer hinter sich, und Sie können an einem Tag herausfinden, ob es bei Ihren Aufgaben versagt.

Was würde diesen Vergleich real machen?

Ein einziger Lauf auf einem einzigen Harness würde den Großteil dieser Seite klären. Terminal-Bench ist öffentlich, die Aufgaben sind fest, und beide Modelle lassen sich in llama.cpp-nahen Runtimes mit vergleichbarer Präzision laden. Wenn jemand DaisyRose 27B und Granite 4.2 30B auf demselben Harness mit denselben Sampling-Einstellungen veröffentlichen würde, würde die 46-Punkte-Lücke auf das zusammenschrumpfen, was sie tatsächlich ist – wahrscheinlich irgendwo zwischen den Werten der beiden Anbieter, da DaisyRoses Angabe ein Best-of-Two bei xhigh-Aufwand ist und die von Granite ohne entsprechende Einschränkung.

Bis dahin ist die vertretbare Lesart enger und dennoch nützlich: In der Wissenschaft auf Graduiertenebene, wo Harnesses am wenigsten zählen, liegt RadixArks Modell weit vor dem von IBM – mit einem Abstand, den weder die Anzahl der Läufe noch das Vertauschen der Antwortreihenfolge erklären kann. Bei Instruction-Following liegen die beiden nah beieinander. Zur Arbeit mit Terminal-Agenten kann niemand etwas sagen, und die veröffentlichte Lücke von 46 Punkten misst mindestens ebenso sehr zwei Evaluationsaufbauten wie zwei Modelle.

Für ein Team, das heute eine Wahl trifft, geht es bei der Entscheidung weniger um die Benchmark-Tabelle als um Reife. Granite 4.2 30B ist ein fertiges, dokumentiertes, drei Monate altes Enterprise-Modell mit Quantisierungen und einer mehrsprachigen Tabelle. DaisyRose 27B ist ein achtzehn Tage altes Reinforcement-Learning-Experiment mit einer beeindruckenden Reihe von Herstellerzahlen, einer einzigen gemeinsamen Zeile, die diese stützt, und keinerlei unabhängiger Reproduktion. Wenn die Workload Produktion ist und die Deadline jetzt ist, gibt dieser Unterschied den Ausschlag. Wenn die Workload ein Agent ist, den Sie kontrollieren, und Sie sich das Benchmarken leisten können, sind die GPQA- und IFBench-Zeilen von DaisyRose 27B Grund genug, es auf dieselbe Harness zu setzen wie das Modell, das Sie heute betreiben, und zu sehen, was passiert.