Una tarjeta de título generada que dice «DaisyRose 27B vs Gemma 4 26B A4B», con el subtítulo «27.8B leídos en cada token, 3.8B leídos por token», sobre tres tarjetas redondeadas que dicen «DaisyRose: 27.8B denso, post-entrenamiento solo con RL», «Gemma 4 26B A4B: 25.2B en total, 3.8B activos» y «Precio alojado: $0.06 por entrada, $0.33 por salida por millón», con un pie de página que dice «Cifras de DaisyRose según RadixArk, noviembre de 2026; cifras de Gemma según Google DeepMind». El logotipo de OrcaRouter está en la esquina inferior derecha.
Guides & Insights

DaisyRose 27B vs Gemma 4 26B A4B: 27,8B denso vs 3,8B activo

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

DaisyRose 27B y Gemma 4 26B A4B son modelos del mismo tamaño con estructuras de costes completamente distintas, y la línea de precios lo deja claro más rápido que cualquier benchmark. Gemma 4 26B A4B —25,2 mil millones de parámetros, de los cuales 3,8 mil millones se leen por cada token— se sirve en OrcaRouter a 0,06 $ por millón de tokens de entrada y 0,33 $ por millón de salida. DaisyRose 27B, el postentrenamiento exclusivo de aprendizaje por refuerzo de RadixArk sobre Qwen3.8-27B publicado el 18 de noviembre de 2026, tiene 27,8 mil millones de parámetros densos y todos ellos se leen en cada token, se distribuye como 52 GB de pesos BF16, no tiene API alojada por el proveedor y necesita una GPU de centro de datos para funcionar. Uno es un modelo que alquilas al céntimo. El otro es un modelo que despliegas. Todo lo demás en esta comparación se deriva de eso.

El panorama de los benchmarks es genuinamente interesante y genuinamente incompleto: los dos modelos comparten exactamente dos filas públicas, GPQA Diamond y Humanity's Last Exam, y en ambas DaisyRose 27B va por delante por un margen mucho más amplio que la diferencia de parámetros. Si ese margen sobrevive al contacto con un arnés compartido es la pregunta que esta página no puede responder, y así lo indica.

El nombre es una especificación.

La etiqueta de Gemma 4 26B A4B lleva implícita su política de enrutamiento, y la propia ficha de Google indica directamente la interpretación: «la "A" de 26B A4B significa "parámetros activos", en contraste con el número total de parámetros que contiene el modelo».

• Parámetros totales — 25.2B. • Activos por token — 3.8B. • Disposición de expertos — 8 de 128 expertos activos más 1 experto compartido, seleccionados por token. El experto compartido siempre se lee, por lo que el conteo de activos no es simplemente 8/128 del total. • Capas — 30, con una ventana deslizante de 1,024 tokens.

DaisyRose 27B no tiene ninguna estructura de ese tipo que describir. Es un transformer denso: 27,8B de parámetros, 0,46B de ellos un codificador de visión y 0,42B una cabeza de predicción de múltiples tokens, sin enrutador entre la entrada y el cómputo. Cada token paga por cada peso.

La consecuencia práctica es el único número que separa a estos modelos más que cualquier benchmark. Un modelo disperso con 3,8B activos corre a una velocidad cercana a la de un modelo de 4B mientras carga con la memoria de uno de 25B — la ficha de Google lo dice sin rodeos, al describir la variante MoE como que corre «casi tan rápido como un modelo de 4B parámetros». Un denso de 27,8B corre a la velocidad de un 27,8B, y nadie ha publicado esa velocidad: la ficha de RadixArk no incluye ninguna cifra de tokens por segundo para ninguna configuración de hardware.

Lo que RL compró, y lo que no.

El entrenamiento de DaisyRose 27B es la parte de esta comparación que no tiene equivalente en el lado de Gemma. RadixArk utilizó únicamente aprendizaje por refuerzo —ninguna pasada de ajuste fino supervisado, ninguna destilación— sobre aproximadamente 1.200 tareas de agente de horizonte largo curadas y creadas con Eigent AI, con sesiones de hasta un millón de tokens, durante dieciocho días en 144 H200 y alrededor de 63.000 horas de GPU. El objetivo no era una mejora general de capacidades, sino una específica: hacer que un 27B fuera mejor en el bucle de leer una tarea, llamar a una herramienta, leer el resultado y corregir el error.

Eso aparece en las filas donde los dos modelos realmente se pueden comparar, y no aparece de manera uniforme.

• GPQA Diamond — {{1}}DaisyRose 27B 90,7 frente a 82,3 de Gemma 4 26B A4B{{/1}}. Ambas cifras reportadas por el proveedor: la de RadixArk corresponde a ocho ejecuciones sobre 198 preguntas con la plantilla simple-evals y el orden de respuestas rebarajado; la de Google es un único número publicado en la ficha del modelo.

{{1}}Humanity's Last Exam, sin herramientas — DaisyRose 27B 34.3 frente al 8.7 de Gemma 4 26B A4B. Esta es la diferencia más amplia en cualquiera de las dos tablas y la que más debería hacernos desconfiar, porque las configuraciones difieren: RadixArk hizo cinco ejecuciones por problema con GPT-6 Luna como evaluador y sin herramientas; el 8.7 de G​oogle es la cifra sin herramientas, y asciende a 17.2 cuando se permite que el modelo use una herramienta de búsqueda.{{/1}}

Dos filas no son una comparación, y ninguno de los dos proveedores ha ejecutado el harness del otro. Lo que la brecha de HLE sí sugiere —y es una sugerencia, no una medición— es que un post-entrenamiento orientado a sesiones agénticas largas se transfiere a preguntas de razonamiento difíciles de una manera que una arquitectura dispersa preentrenada para una capacidad amplia no lo hace. Lo que no demuestra es que el efecto sea de 25 puntos, porque los harnesses son diferentes y una de las dos cifras proviene de un modelo al que se le dieron herramientas en su mejor configuración.

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.

Las filas que solo un lado tiene

Ambas tarjetas publican benchmarks que la otra no, y la asimetría en sí misma dice mucho sobre qué consideró cada fabricante que merecía la pena demostrar.

Gemma 4 26B A4B publica una tabla completa de capacidades generales: MMLU Pro 82.6, AIME 2026 sin herramientas 88.3, LiveCodeBench v6 77.1, Codeforces ELO 1718, Tau2 promediado sobre tres 68.2, BigBench Extra Hard 64.8, MMMLU 86.3, MMMU Pro 73.8, MATH-Vision 82.4 y MRCR v2 con ocho agujas y contexto de 128K 44.1. No hay fila de Terminal Bench, ni de SWE-bench ni de IFBench en la ficha.

DaisyRose 27B publica en su lugar el conjunto de agéntica y seguimiento de instrucciones: Terminal Bench 4.1 12.0 frente a una base de 5.6, Terminal Bench 2.1 75.5, DeepSWE v1.1 46.2, SWE Bench Pro v2 94.7 e IFBench 82.4. No hay ninguna fila de MMLU Pro, ni de AIME, ni de Codeforces en la ficha.

Leídas en conjunto, las dos tablas describen productos diferentes. Google está publicando un modelo general y lo está demostrando en la suite académica estándar. RadixArk está publicando un modelo de agente y lo está demostrando en la suite agéntica estándar. La superposición es de solo dos filas de un total de unas veinte, y quien compra y elige entre ellos está eligiendo, en esencia, qué suite le importa —una decisión mucho más sencilla de lo que las columnas de puntuación hacen parecer.

Dónde se ejecuta cada uno

Esta es la sección que decide la comparación para la mayoría de los lectores, porque las historias de despliegue no se cruzan en absoluto.

• Gemma 4 26B A4B — alojado hoy a $0.06 por millón de tokens de entrada y $0.33 por millón de tokens de salida en OrcaRouter, junto con una compilación de la misma arquitectura alojada en Obsidian. Los pesos abiertos están bajo Apache 2.0, en bfloat16 (unos 51,6 GB repartidos en dos fragmentos), un GGUF Q4_0 entrenado con conocimiento de cuantización que lo hace caber en una sola tarjeta de consumo, una compilación w4a16 con compressed-tensors para vLLM y un modelo borrador de predicción de múltiples tokens para decodificación especulativa. La publicación de la familia de Google describe los dos tamaños mayores como que caben «de manera eficiente en una única GPU NVIDIA H100 de 80 GB».

• DaisyRose 27B — BF16 con unos 52 GB, FP8 con unos 29 GB, NVFP4 con unos 23 GB y exclusivo para Blackwell, además de un modelo borrador de decodificación especulativa DSpark para SGLang. RadixArk incluye el despliegue en una sola GPU en H200, B200, GB300, RTX PRO 6000, RTX 5090 y DGX Spark. No existe un precio de API alojada; los anuncios de terceros cotizan 0,15 $ por millón de tokens de entrada y 1,88 $ por millón de salida, lo que representa la posición inicial de un proveedor de alojamiento y no una tarifa del vendedor.

Esas cifras sitúan la brecha de costes del alojamiento en aproximadamente dos veces y media en la entrada y casi seis veces en la salida, a favor del tercero. Esa es la comparación honesta a precio de lista. También es la comparación que cambia en cuanto la carga de trabajo es larga: un modelo disperso sigue pagando 3,8 mil millones de cómputo por token, mientras que uno denso paga 27,8 mil millones, así que la brecha se amplía en latencia y en segundos de hardware mucho antes de que se amplíe en dólares por millón de tokens.

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.

Cuánto vale el entrenamiento agéntico por dólar

La versión interesante de esta comparación no es «cuál obtiene una puntuación más alta», sino «cuánto cuesta por tarea la mejora agéntica». El modelo de RadixArk existe porque su modelo base, Qwen3.8-27B, obtiene 5.6 en Terminal Bench 4.1 y 12.0 tras el postentrenamiento. Si ejecutas un agente de programación que ejecuta comandos, esa es la diferencia entre un modelo que en su mayoría no puede y uno que a veces sí puede, y duplicar un número pequeño vale dinero real para el comprador adecuado.

Gemma 4 26B A4B no tiene ninguna cifra de Terminal Bench, lo que hace que la afirmación de valor sea imposible de medir con datos públicos. Lo que sí tiene es un precio que abarata el experimento: a $0.06 por millón de tokens de entrada, puedes ejecutar unos miles de trayectorias de agente por el costo de una hora de una H200 y averiguar si el modelo falla de una manera que importe para tu carga de trabajo. La arquitectura dispersa lo abarata por partida doble: el precio por token es bajo y los tokens vuelven rápido.

Esa es la forma de la decisión real. DaisyRose 27B es un especialista post-entrenado con una afirmación agéntica concreta, reportada por el proveedor, y sin precio de alojamiento. Gemma 4 26B A4B es un modelo general con una amplia tabla de capacidades publicada, un perfil de inferencia rápido y un precio de lista medido en centavos por millón de tokens. Si tu tarea consiste en el uso de herramientas de horizonte largo y puedes alojarlo, vale la pena evaluar al especialista. Si tu tarea es cualquier otra cosa, o no puedes alojarlo, el modelo general a $0.06 gana en el único eje que importa.

Ejecutar ambos desde una misma tecla.

Gemma 4 26B A4B ya está disponible hoy en OrcaRouter con google/gemma-4-26b-a4b-it, a un precio de $0.06 por millón de tokens de entrada y $0.33 por millón de salida, con una ventana de contexto de 262,144 tokens y entrada de texto, imagen y video. DaisyRose 27B no está en el catálogo en el momento de escribir esto, y esta página no sugerirá lo contrario: es una versión autoalojada mediante SGLang, vLLM y Docker.

Sin embargo, su base sí lo está. Qwen3.8-27B se sirve como qwen/qwen3.8-27b a 0,33 USD por millón de tokens de entrada y 2,40 USD por millón de salida, con el mismo contexto de 262.144 tokens y la misma torre de visión que mantiene el postentrenamiento. Eso le da al lector dos cosas útiles: una línea base de la misma familia para ejecutar con sus propios prompts antes de decidir si vale la pena desplegar el postentrenamiento con RL, y una ruta de respaldo. Si una instancia autoalojada de DaisyRose agota el tiempo de espera del sandbox, una regla de enrutamiento puede pasar la llamada al modelo base en lugar de descartarla y, como trasladamos los precios de lista de los proveedores con un 0 % de margen, un cambio de precio por parte del proveedor en cualquiera de los extremos llega a la misma clave el mismo día en que entra en vigor.

El siguiente paso más barato no es un benchmark: es ejecutar Gemma 4 26B A4B y Qwen3.8-27B sobre tus propias trazas de agente, en ese orden —primero el modelo barato, para ver dónde se rompen realmente tus tareas, y luego el baseline más caro, para ver si el fallo es culpa del modelo base. Solo después de eso un post-entrenamiento de RL de dieciocho días tiene algo contra lo que demostrarse.

Comparados en este artículo1

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario