Eine generierte Titelkarte mit der Aufschrift „DaisyRose 27B vs ZWZ2 27B“ und dem Untertitel „Durchschnittswerte versus Bestwerte“, eine linke Karte mit DaisyRose-27B auf der Qwen3.8-27B-Basis, sieben gemeldeten Benchmarks und einem hervorgehobenen Terminal-Bench-Wert von 4.1 von 12.0, eine rechte Karte mit ZwZ2-27B auf der Qwen3.6-27B-Basis, fünfundzwanzig gemeldeten Benchmarks und einem hervorgehobenen Mittelwert von 60.51, eine Fußzeile mit dem Text „Beide Tabellen vom Anbieter gemeldet; eine Basisgeneration Unterschied“, und das OrcaRouter-Logo.
Guides & Insights

DaisyRose 27B vs. ZWZ2 27B: Durchschnitte vs. Grenzen

Autor

jinhao.song

Veröffentlicht am

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

Stellt man DaisyRose-27B und ZWZ2-27B nebeneinander, erhält man zwei echte Reinforcement-Learning-Post-Trains von Q​wen-Checkpoints, die im Herbst 2026 im Abstand von drei Wochen veröffentlicht und in zwei völlig unterschiedlichen Stilen berichtet wurden. DaisyRose-27B von RadixArk vom 18. November 2026 sind sieben Benchmarks gegen Qwen3.8-27B, wobei der größte relative Zugewinn auf der schwierigsten liegt. ZWZ2-27B von inclusionAI sind fünfundzwanzig Benchmarks aus sechs Domänen gegen Qwen3.6-27B, angegeben als Mittelwert, der von 55,52 auf 60,51 steigt.

Ein Labor veröffentlichte einen Spitzenwert. Das andere veröffentlichte einen Durchschnitt. Das sind nicht dieselbe Art von Aussage, und der Unterschied sagt mehr darüber aus, wofür jedes Modell gedacht ist, als jede einzelne Zahl in einer der beiden Tabellen.

Unterschiedliche Basen, eine Generation auseinander

Die wichtigste einzelne Tatsache in diesem Duell ist, dass die beiden Modelle keinen gemeinsamen Vorfahren haben. ZWZ2-27B basiert auf Qwen3.6-27B; DaisyRose-27B basiert auf Qwen3.8-27B. Das ist ein Unterschied von einer Basisgeneration, und das bedeutet, dass der direkte Vergleich, den eine „vs“-Seite normalerweise vornimmt, hier überhaupt nicht möglich ist – nicht weil die Zahlen fehlen, sondern weil es etwas anderes aussagt, eine Basis der vorherigen Generation zu schlagen als die aktuelle.

Die eigene Modellkarte von ZWZ2-27B macht dies deutlich, indem sie jeden Zugewinn gegenüber Qwen3.6-27B ausweist. Die Modellkarte von DaisyRose-27B weist Werte gegenüber Qwen3.8-27B aus. Wer die beiden Verbesserungswerte vergleicht, vergleicht eine Verbesserung gegenüber einer älteren Basis mit einer Verbesserung gegenüber einer neueren, und die neuere Basis startete höher. Keine Arithmetik behebt das, und kein ehrlicher Artikel sollte es versuchen.

Wie ZWZ2 über sich selbst berichtet

Die Evaluierung von ZwZ2-27B ist nach Domänen organisiert und nicht nach der Schwierigkeit der Benchmarks. Fünfundzwanzig Benchmarks, gruppiert in sechs Bereiche, wobei jede Domäne ihren eigenen Vorher-Nachher-Durchschnitt aufweist:

• Feinkörnige Wahrnehmung – 62,09 bis 67,57, eine Steigerung um 5,48 über acht Benchmarks hinweg, darunter VStar, HR-Bench 8K und MME-RealWorld.

• Räumliches Denken — 49,72 bis 55,98, +6,26, der größte Zuwachs in einem Bereich.

• Allgemeines visuelles Schlussfolgern — 47,89 bis 53,71, plus 5,82, über MMStar und BabyVision hinweg.

• Verkörpert-räumlich — 50,17 bis 55,71, um 5,54 gestiegen.

• Langer Kontext — 65,87 bis 68,77, plus 2,90.

• Multimodale Agenten — 49,73 auf 51,81, plus 2,08, der kleinste Zugewinn und der aussagekräftigste.

Der Gesamtdurchschnitt steigt von 55,52 auf 60,51, ein Anstieg um 4,99, und inclusionAI gibt an, dass das feinabgestimmte Modell das Basismodell bei jedem der fünfundzwanzig Benchmarks übertrifft. Das ist eine starke Aussage über die Konsistenz und eine schwache Aussage über eine bestimmte Fähigkeit, denn ein Mittelwert über fünfundzwanzig Tests wird von denjenigen Tests dominiert, in denen das Modell ohnehin schon gut war.

Wie DaisyRose über sich selbst berichtet

RadixArk verfolgte den entgegengesetzten Ansatz: sieben Benchmarks, jeweils einzeln ausgewiesen, daneben der Wert des Basismodells. Terminal Bench 4.1 steigt von 5,6 auf 12,0, Terminal Bench 2.1 von 73,0 auf 75,5, DeepSWE v1.1 von 42,2 auf 46,2, SWE Bench Pro v2 von 91,3 auf 94,7, Humanity's Last Exam von 33,9 auf 34,3, IFBench von 79,5 auf 82,4, GPQA Diamond von 89,2 auf 90,7.

Es wird kein Mittelwert angegeben, und genau darum geht es. Der Schlagzeilen-Gewinn, mehr als eine Verdopplung bei Terminal Bench 4.1, ist ein Gewinn von einer sehr niedrigen Basis — 5,6 liegt nahe am Boden. Die beiden Benchmarks, bei denen die Basis bereits stark war, HLE und GPQA Diamond, bewegen sich kaum. Als Ganzes gelesen sagt die Tabelle, dass das Tuning agentische Kompetenz erkauft und allgemeines Reasoning unangetastet gelassen hat, was genau das ist, was eine Belohnung, die auf Long-Horizon-Agentenaufgaben aufbaut, hervorbringen sollte.

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.'

Was ein 25-Benchmark-Mittelwert verbirgt

Die schwächsten absoluten Zeilen von ZWZ2-27B sind die interessanten, und seine eigene Modellkarte veröffentlicht sie: Chartography 12.00, AgentVista 18.18, Perception-Bench 44.93 und ScreenSpot-Pro 70.59. Diese stehen neben Domänendurchschnitten im Fünfziger- und Sechzigerbereich, was bedeutet, dass der Mittelwert von den Benchmarks getragen wird, in denen das Modell gut abschneidet, während die wirklich schwierigen nahe am unteren Ende liegen.

Das ist für ein Post-Training normal und sollte nicht als Mangel gelesen werden. Es ist jedoch genau die Information, die ein Mittelwert auslöscht. Ein Team, das „60,51“ liest und ein Modell erwartet, das in allem zu 60 % gut ist, wird von Chartography bei 12 übel überrascht werden. Ein Team, das die Zeilen pro Benchmark liest, weiß sofort, für welche seiner Workloads dieses Modell nicht trainiert wurde.

Derselbe Vorbehalt gilt in umgekehrter Richtung für DaisyRose-27B. Seine Punktzahl von 12,0 bei Terminal Bench 4.1 ist ein großer relativer Zugewinn und ein schwaches absolutes Ergebnis, und die Karte ist in beider Hinsicht ehrlich. Die Schlagzeilen-Zahl keines der beiden Modelle übersteht den Kontakt mit den eigenen Detailzeilen.

Architektur und Lizenz

Beide übernehmen ihre Basis unverändert. ZWZ2-27B übernimmt die veröffentlichte Qwen3.6-27B-Konfiguration: Hidden Size 5.120, 64 Schichten, 24 Query-Heads und 4 Key-Value-Heads mit Dimension 256, ein FFN von 17.408, ein sechzehnmal wiederholtes Linear-zu-Full-Attention-Muster im Verhältnis drei zu eins, verschachteltes M-RoPE mit einer RoPE-Basis von zehn Millionen, ein Vokabular von 248.320 und 262.144 native Positionen. Sein Vision-Tower umfasst 27 Schichten bei einer Breite von 1.152 und projiziert auf 5.120, mit 16-Pixel-Patches und einer 2×2-Zusammenführung. Es gibt keine Multi-Token-Prediction-Schicht – die Konfiguration setzt diese auf null – und die BF16-Gewichte belaufen sich auf rund 54 GB verteilt auf zwei Shards, wobei transformers 5.13.1 der dokumentierte Pfad ist.

DaisyRose-27B trägt die Qwen3.8-27B-Konfiguration: gleiche Hidden Size und Layeranzahl, Gated DeltaNet Linear Attention im gleichen Drei-zu-eins-Muster, ein 0,46B Vision-Encoder und ein 0,42B Prediction Head, den ZWZ2-27B nicht hat. Der Kontext beträgt 262.144 für beide. DaisyRose wird in BF16 mit etwa 52 GB, FP8 mit 29 GB und NVFP4 mit 23 GB samt vollständigem SGLang-Serving-Rezept ausgeliefert; ZwZ2-27B wird nur in BF16 ausgeliefert.

• Lizenz — Apache-2.0 für beide, von ihren Basen übernommen.

{{1}}Vision{{/1}} — beide akzeptieren Bilder und geben Text zurück; keines ist ausschließlich textbasiert.

• Quantisierungen — drei Formate für DaisyRose-27B, BF16 nur für ZwZ2-27B.

• Serving-Dokumentation — eine detaillierte SGLang-Anleitung mit spekulativer Dekodierung für DaisyRose-27B; ein transformers-Schnellstart für ZwZ2-27B.

• Unabhängige Bewertung – zum Zeitpunkt des Verfassens für keines der beiden Modelle vorhanden.

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.

Die Wahrnehmungsfrage

Die Zugewinne von ZwZ2-27B konzentrieren sich auf Wahrnehmung und räumliches Denken: feingranulare Wahrnehmung plus 5,48, räumlich plus 6,26, verkörpertes räumliches Denken plus 5,54, hochauflösende Benchmarks wie HR-Bench 8K fallen in diese erste Gruppe. DaisyRose-27B meldet überhaupt keinen Wahrnehmungs-Benchmark. Sein Vision-Encoder ist übernommen und unverändert, und nichts in der Modellkarte deutet darauf hin, dass der Reward ihn geformt hat.

Diese Asymmetrie ist die Entscheidung. Wenn Ihre Workload ein Screenshot, ein dichtes Diagramm, eine gescannte Seite oder ein räumliches Layout ist, adressiert die Karte von ZwZ2-27B dies direkt und die von DaisyRose-27B nicht. Wenn Ihre Workload ein Terminal, ein Repository oder eine lange Tool-Call-Sitzung ist, ist das Gegenteil der Fall: Die Karte von DaisyRose-27B ist voll von genau diesen Zeilen und die schwächste Domäne von ZwZ2-27B sind multimodale Agenten mit einem Durchschnitt von 51,81.

Keine der beiden Karten ist ein besseres Beweismittel als die andere. Sie sind Belege für unterschiedliche Dinge, die unter unterschiedlichen Protokollen erstellt wurden, und die richtige Herangehensweise ist, jede von ihnen im Hinblick auf die Frage zu lesen, für die sie entwickelt wurde.

Sie auszuführen und sie zu mischen

Weder DaisyRose-27B noch ZwZ2-27B wird heute auf OrcaRouter gehostet. Bei beiden handelt es sich um Gewichte, die Sie selbst bereitstellen oder über Drittanbieterplattformen erreichen, was bedeutet, dass beide dasselbe betriebliche Problem mit sich bringen: zwei Checkpoints, zwei Deployments, zwei Sätze von Kapazitätsentscheidungen und keine Möglichkeit, eine Anfrage an dasjenige zu senden, das gerade verfügbar ist.

Genau dafür wurde Routing gebaut. Wenn zwei Modelle eine Arbeitslast entlang einer klaren Trennlinie aufteilen – Wahrnehmung auf der einen Seite, agentisches Handeln auf der anderen –, klassifiziert die Anwendung am Ende trotzdem Anfragen und ruft zwei verschiedene Endpunkte auf. OrcaRouters Routing-DSL ermöglicht es, diese Klassifizierung an einer Stelle zu belassen und die beiden Modelle zu einem einzigen Aufrufpfad zusammenzusetzen, mit automatischem Failover, sodass eine ausgelastete selbst gehostete Bereitstellung auf einen zweiten Endpunkt ausweicht, statt einen Fehler zurückzugeben. Bei einem Modellpaar, das so neu und so dünn dokumentiert ist, geht es beim Failover weniger um Betriebszeit als darum, keinen Produktionspfad auf Gewichte zu setzen, die seit drei Wochen öffentlich sind. OrcaRouter gibt außerdem die Listenpreise der Anbieter mit 0 % Aufschlag weiter für alles, was wir hosten, sodass der gehostete Teil einer gemischten Bereitstellung zum Selbstkostenpreis statt mit einem Vielfachen bepreist wird.

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.

Welchem Bericht sollten Sie für Ihre Entscheidung vertrauen?

Nimm ZwZ2-27B, wenn deine Arbeit Perception-first ist und du ein Modell willst, dessen Modellkarte es über fünfundzwanzig Benchmarks hinweg dokumentiert — und lies die absoluten Zeilen, nicht den Mittelwert. Nimm DaisyRose-27B, wenn deine Arbeit agentisch ist und du ein Modell willst, dessen Modellkarte eine konkrete, verifizierbare Verhaltensänderung gegenüber dem Basismodell dokumentiert, von dem es abstammt. Nimm keines von beiden, wenn du vor einer Festlegung eine unabhängige Verifikation brauchst: Beide Tabellen sind vom Anbieter berichtet, keines hat einen Artificial Analysis Score, und die eine Zahl, die ein Beschaffungsteam haben wollte — Leistung auf deiner eigenen Workload — steht in keinem der beiden Dokumente.

Der Vergleich, der wirklich zählen wird, ist der nächste. Beide Labore sind bei ihrem ersten Modell, beide bauen auf Q​wen-Checkpoints auf, und beide haben Reinforcement Learning als die gesamte Post-Training-Story verwendet. Wenn inclusionAI ein ZwZ3 auf Qwen3.8-27B ausliefert oder RadixArk ein zweites DaisyRose ausliefert, das das Agent-Rezept beibehält und Wahrnehmungszeilen hinzufügt, werden die beiden Reporting-Stile endlich auf einer gemeinsamen Basis aufeinandertreffen, und ein echtes Head-to-Head wird möglich. Bis dahin lautet die korrekte Zusammenfassung, dass diese Modelle für unterschiedliche Zwecke gemessen wurden, und der Unterschied zwischen einem Durchschnittsmodell und einem Frontier-Modell ist der Unterschied zwischen der Frage „Ist es insgesamt besser?“ und der Frage „Ist es besser in dem, was ich brauche?“