
DaisyRose 27B vs Gemma 4 31B: Dos modelos densos, dos trabajos diferentes
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 494 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 385 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 94 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
DaisyRose 27B y Gemma 4 31B son el par más cercano en esta familia de comparaciones: ambos densos, ambos entre 27 y 31 mil millones de parámetros, ambos multimodales con un contexto de 256K tokens, ambos Apache 2.0, ambos incluyen un modelo borrador de decodificación especulativa junto con los pesos. También, según la evidencia que sus proveedores eligieron publicar, están dirigidos a compradores diferentes. Gemma 4 31B es el generalista de Google DeepMind: un modelo denso de 30,7B con un modo de pensamiento configurable, llamada a funciones nativa, más de 140 idiomas y una tabla de capacidades de catorce filas que abarca desde AIME hasta el análisis de documentos. DaisyRose 27B es el especialista de RadixArk, publicado el 18 de noviembre de 2026, entrenado posteriormente solo con aprendizaje por refuerzo en tareas de agente de horizonte largo, y validado en una tabla agéntica de cinco filas. Los modelos son casi idénticos en forma; las pruebas que ofrece cada proveedor son casi disjuntas.
Solo un benchmark en cualquiera de las dos tablas lleva ambos nombres: GPQA Diamond, donde DaisyRose 27B registra 90,7 y Gemma 4 31B registra 84,3. Seis puntos y medio en un examen de ciencias de nivel de posgrado de un modelo con 2900 millones de parámetros menos es el titular que tiene esta página, y el resto trata de por qué ese titular es más endeble de lo que parece.
Dos arquitecturas que se parecen
Si le quitas la marca, las hojas de especificaciones se solapan más que en cualquier otro enfrentamiento de esta serie.
• Parámetros — DaisyRose 27B 27.8B denso, de los cuales 0.46B corresponden a un codificador de visión y 0.42B a una cabeza de predicción de múltiples tokens, frente a Gemma 4 31B con 30.7B denso y un codificador de visión de aproximadamente 550M de parámetros. Ninguno de los dos emplea enrutamiento de expertos, por lo que el recuento de parámetros activos es igual al total en ambos.
• Contexto — 262,144 tokens para DaisyRose 27B; 256K para Gemma 4 31B. En la práctica, el mismo límite.
• Modalidades: entrada de texto e imagen y salida de texto en ambos. El audio no está disponible en ninguno de los dos tamaños; en el caso de Gemma, se limita a los miembros E2B, E4B y 12B de la familia.
• Licencia — Apache 2.0 en ambos, indicada en ambas tarjetas de modelo.
Técnica de contexto largo — Gemma 4 31B lo consigue con 60 capas, una ventana deslizante local de 1.024 tokens intercalada con atención global completa, claves y valores unificados en las capas globales y RoPE proporcional. DaisyRose 27B hereda intacta la arquitectura de Qwen3.8-27B, que es la misma idea de atención híbrida alcanzada desde un linaje de diseño diferente.
Los dos aspectos en los que realmente difieren son los que determinan para qué sirve el modelo. Gemma 4 31B incluye un modo de pensamiento configurable, llamadas a funciones nativas y compatibilidad explícita con el rol de sistema. DaisyRose 27B incluye una plantilla de chat idéntica a la de su modelo base y un entrenamiento que dedicó todo su presupuesto al comportamiento en terminal y con herramientas en lugar de a la amplitud.
La única fila que comparten
GPQA Diamond, 198 preguntas de ciencia de nivel de posgrado, es el único benchmark que publican ambas fichas, y las configuraciones detrás de las dos cifras no son la misma medición.
El 90,7 de DaisyRose 27B proviene de ocho ejecuciones sobre 198 preguntas usando la plantilla de simple-evals, con el orden de las respuestas reordenado aleatoriamente cada vez, y se informa como el mejor de sus ejecuciones en BF16 y FP8. El 84,3 de Gemma 4 31B es una única cifra en la ficha del modelo de Google, sin que se especifiquen el número de ejecuciones ni el arnés en la propia tabla.
Así que la brecha es real en el sentido de que ambos proveedores publicaron un número bajo el mismo nombre de benchmark, y blanda en el sentido de que un lado tiene ocho ejecuciones y un protocolo de rebarajado, mientras que la metodología del otro es una nota al pie. Seis puntos y medio son aproximadamente treinta y tres preguntas de 198. Eso es mayor que el ruido de muestreo en un conjunto de 198 preguntas, pero una diferencia de harness de ese tamaño no es inaudita, y ninguno de los dos proveedores ha ejecutado la evaluación del otro.
Lo que hace que la fila sea más interesante que una sola puntuación es su posición relativa a la base de cada modelo. DaisyRose 27B mejora GPQA Diamond de 89,2 a 90,7 frente a Qwen3.8-27B —una ganancia de 1,5 puntos tras dieciocho días de aprendizaje por refuerzo—. Gemma 4 31B obtiene 84,3, lo que supone 2 puntos por encima del 82,3 de su propio hermano 26B A4B. En este benchmark, ambos modelos están cerca de donde los situó su preentrenamiento, y el postentrenamiento no movió mucho a ninguno. Si eliges entre ellos en ciencia de posgrado, la diferencia de seis puntos es sobre todo una diferencia de modelo base más que de receta de entrenamiento.

Las tablas que solo un lado completó
Aquí la comparación deja de ser una comparación y se convierte en una elección de evidencia. Google publicó una tabla de capacidades generales y RadixArk publicó una de capacidades agénticas, y ninguna se superpone con la otra.
La ficha de Gemma 4 31B incluye MMLU Pro 85.2, AIME 2026 sin herramientas 89.2, LiveCodeBench v6 80.0, Codeforces ELO 2150, Tau2 76.9, HLE sin herramientas 19.5 y con búsqueda 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 en 0.131 y MRCR v2 con ocho agujas y contexto de 128K 66.4. No hay fila de Terminal Bench, ni fila de SWE-bench ni fila de IFBench.
La ficha de DaisyRose 27B incluye Terminal Bench 4.1 en 12.0 frente a una base de 5.6, Terminal Bench 2.1 en 75.5, DeepSWE v1.1 en 46.2, SWE Bench Pro v2 en 94.7 e IFBench en 82.4, además de HLE solo texto en 34.3 y GPQA Diamond en 90.7. No hay MMLU Pro, ni AIME, ni Codeforces, ni ninguna fila de benchmark de visión en absoluto — a pesar de que el modelo incorpora un codificador de visión.
Dos asimetrías en ese emparejamiento merecen mención. La primera es HLE: RadixArk reporta 34,3 sin herramientas, Google reporta 19,5 sin herramientas y 26,5 con búsqueda. Incluso si a Gemma 4 31B se le concede su configuración con asistencia de herramientas, la cifra de DaisyRose 27B es superior en casi ocho puntos, pero los evaluadores difieren, ya que RadixArk utilizó GPT-6 Luna en cinco ejecuciones por problema, mientras que Google no indica su configuración de evaluación. La segunda es la visión: DaisyRose 27B incluye un codificador de visión de 0,46B y no publica ningún benchmark de visión, por lo que su capacidad multimodal no está medida públicamente. Gemma 4 31B publica MMMU Pro, MATH-Vision, OmniDocBench y MedXPertQA. Si necesitas comprensión de imágenes, uno de estos modelos tiene evidencia y el otro tiene un codificador.
Memoria, formatos y cuánto cuesta cada descarga
Ambos modelos ocupan entre 52 y 63 GB a precisión completa, lo que los sitúa en la misma clase de hardware y hace que la lista de formatos sea la parte útil de la comparación.
• DaisyRose 27B — BF16 unos 52 GB, FP8 unos 29 GB, NVFP4 unos 23 GB y exclusivo de Blackwell, además de RadixArk/Qwen3.8-27B-DSpark como modelo borrador de decodificación especulativa para SGLang. La configuración de referencia consta de cuatro réplicas de paralelismo de datos en un nodo de cuatro GPU con paralelismo de tensores 1, un contexto de 262.144 tokens y una caché KV en FP8. RadixArk enumera el despliegue en una sola GPU en H200, B200, GB300, RTX PRO 6000, RTX 5090 y DGX Spark.
• Gemma 4 31B — bfloat16 en dos fragmentos safetensors de aproximadamente 49,8 GB y 12,8 GB, unos 62,5 GB en total. Un GGUF QAT Q4_0 de 17,7 GB más un proyector de visión de 1,2 GB, aproximadamente 18,9 GB antes de la caché KV, lo que sitúa el modelo denso tope de la línea Gemma en una única tarjeta gráfica de consumo de 24 GB. Una compilación QAT w4a16 de compressed-tensors de 23,3 GB para vLLM, un checkpoint Q4_0 sin cuantizar que contiene los pesos QAT sin empaquetado, y un modelo borrador de predicción de varios tokens de 0,94 GB.
La línea GGUF es la diferencia concreta. Google ofrece una compilación de 4 bits de su propia creación que cabe en una tarjeta de 24 GB; RadixArk ofrece tres precisiones y espera que las sirvas mediante SGLang. Para un equipo con una estación de trabajo y sin una pila de servicio, no hay duda — una descarga se ejecuta, la otra necesita un despliegue.
Un detalle que duele: la ficha de Gemma requiere que un asistente de decodificación especulativa coincida con la precisión del checkpoint objetivo, por lo que el drafter de 0,94 GB se empareja con el objetivo QAT 31B en lugar de la versión bfloat16. El drafter de RadixArk lleva el nombre de Qwen3.8-27B y se empareja con la propia compilación FP8 de DaisyRose 27B.

Coste, y el que tiene un precio
Gemma 4 31B está hoy en OrcaRouter como google/gemma-4-31b-it a $0.13 por millón de tokens de entrada y $0.38 por millón de salida, con pensamiento configurable, llamadas a funciones nativas y un contexto de 256K. El sufijo -it forma parte de la cadena que pasa un cliente.
DaisyRose 27B no tiene un precio alojado por el proveedor. El sitio de RadixArk describe entrenamiento y servicio para otros laboratorios y no publica ningún endpoint de DaisyRose; la ficha del modelo solo remite al autoalojamiento mediante SGLang, vLLM y Docker. Los listados de terceros citan $0.15 por millón de tokens de entrada y $1.88 por millón de tokens de salida, lo cual es la postura inicial de un host en lugar de una tarifa del proveedor.
Si los ponemos uno al lado del otro, la comparación de alojamiento va justo en sentido contrario a la tabla de benchmark: Gemma 4 31B a trece centavos por millón de tokens de entrada frente a los quince de un proveedor externo, pero a treinta y ocho centavos frente a un dólar con ochenta y ocho en salida. En una carga de trabajo con mucho peso de generación, eso es una diferencia de cinco veces a favor del modelo más grande, y existe por una razón estructural: Gemma 4 31B tiene una capa de alojamiento consolidada con varios proveedores compitiendo en ella, mientras que DaisyRose 27B tiene un solo proveedor de alojamiento y tres días de historial.

Para qué trabajo se creó cada modelo
El resumen sincero es que estos modelos no compiten por la misma compra, y las tablas de evaluación lo demuestran al negarse a solaparse.
Gemma 4 31B es el modelo que buscas si necesitas amplitud: un modo de razonamiento que puedes reducir, llamada a funciones que funciona con los esquemas de herramientas existentes, más de 140 idiomas, una evaluación de visión publicada, una compilación cuantizada que se ejecuta en una estación de trabajo y un precio alojado de trece centavos por millón de tokens de entrada. Es la opción segura para un producto general, y el costo de equivocarse se limita a unos pocos dólares de gasto en API.
DaisyRose 27B es el modelo que buscas si estás creando un agente de terminal y puedes alojarlo. Su cifra en Terminal Bench 4.1 más que duplica la de su propio modelo base, su SWE Bench Pro v2 se sitúa en 94,7 y su IFBench, con 82,4, es la más alta de la tarjeta comparativa de RadixArk. Todas y cada una de esas cifras las reporta el proveedor, ninguna ha sido reproducida de forma independiente y el modelo tiene solo tres días. Pero la forma de la afirmación es lo bastante concreta como para ponerla a prueba: ejecuta tus propias trazas de agente contra Qwen3.8-27B —disponible como qwen/qwen3.8-27b a 0,33 $ por millón de tokens de entrada y 2,40 $ por millón de salida, con el mismo contexto de 262.144 tokens y la misma torre de visión— y comprueba si el modo de fallo que RadixArk entrenó para eliminar es el que realmente encuentras.
Esa es también la forma más económica de decidir entre estos dos. Gemma 4 31B y Qwen3.8-27B están detrás de una única clave de OrcaRouter sin un segundo contrato y sin cambios de código, con un margen del 0 % sobre el precio de lista de cada proveedor, así que cualquier cambio de precio en cualquiera de los dos te llega el mismo día en que se aplica. Si Gemma 4 31B se encarga de tu bucle de agente, ya está resuelto por trece centavos. Si no es así, y el modelo base falla en el mismo punto, entonces un post-entrenamiento de RL de dieciocho días en una H200 es lo siguiente por lo que vale la pena pagar, y para entonces sabrás qué estás comprando para arreglarlo.
