Una tarjeta de título que dice «DaisyRose 27B vs Granite 4.2 30B», con el subtítulo «46 puntos de diferencia en Terminal Bench 2.1», sobre tres tarjetas que dicen «DaisyRose: 27.8B denso, 75.5 en Terminal Bench 2.1», «Granite 4.2 30B: 30B denso, 29.24 en Terminal Bench 2.1» y «Ambos: Apache 2.0, autoalojamiento primero», con un pie de página que dice «Ambas cifras reportadas por el proveedor, en el harness propio de cada proveedor». El logotipo de OrcaRouter está en la esquina inferior derecha.
Guides & Insights

DaisyRose 27B vs Granite 4.2 30B: 46 puntos, dos arneses

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 Granite 4.2 30B reportan una puntuación en Terminal Bench 2.1. DaisyRose 27B, el post-entrenamiento únicamente con aprendizaje por refuerzo de Qwen3.8-27B realizado por RadixArk y publicado el 18 de noviembre de 2026, obtiene 75,5 frente a los 73,0 de su modelo base. Granite 4.2 30B, el modelo denso de 30 mil millones de parámetros de IBM lanzado el 25 de agosto de 2026, obtiene 29,24. Eso es una brecha de 46 puntos con el mismo nombre de benchmark, entre dos modelos densos de tamaño casi idéntico, y la conclusión natural —que DaisyRose 27B es dos veces y media mejor en tareas agénticas de terminal— es casi con certeza falsa. Los dos números no se produjeron de la misma manera, y esta página trata en gran medida de cómo una brecha de 46 puntos puede ser menor de lo que parece.

Los dos modelos tienen más en común de lo que ese margen sugiere: ambos son densos, ambos tienen alrededor de 30 mil millones de parámetros, ambos son Apache 2.0, ambos son lanzamientos de pesos abiertos sin un precio de API alojada por el proveedor que citar, ambos fueron entrenados específicamente para el uso de herramientas agénticas dentro de entornos aislados. Son el par más similar de esta serie por arquitectura y por intención, que es exactamente por lo que las cifras de sus fichas merecen leerse con atención en lugar de restarse.

Anatomía de una brecha de 46 puntos

Empieza por lo que dice cada proveedor sobre cómo se obtuvo la cifra, porque ambas tarjetas son inusualmente explícitas y describen mediciones diferentes.

• DaisyRose 27B — cinco ejecuciones por tarea en el harness Terminus 2. La tarjeta de comparación enumera Terminus 2 explícitamente e indica el número de ejecuciones. El muestreo fue temperature 1.0, top_p 0.95, top_k 20, esfuerzo de razonamiento xhigh, y la puntuación publicada es la mejor de las ejecuciones en BF16 y FP8.

• Granite 4.2 30B — 29,24 en Terminal-Bench 2.1, reportado como una sola fila de tabla en la tarjeta del modelo. La tarjeta documenta en detalle el entrenamiento agéntico de la familia —una segunda pasada de ajuste fino supervisado sobre datos agénticos de ingeniería de software sobremuestreados, seguida de aprendizaje por refuerzo agéntico dentro de un sandbox que realiza tareas al estilo SWE-bench, operaciones de terminal y búsqueda web—, pero la propia fila de Terminal-Bench no indica ningún número de ejecuciones, ni nombre de harness ni configuración de muestreo.

Esa asimetría es toda la historia de los 46 puntos. Un proveedor publicó una puntuación con gran cantidad de instrumentación, con el máximo esfuerzo de razonamiento y a lo largo de cinco ejecuciones; el otro publicó una celda de tabla. Un resultado de Terminal-Bench con un esfuerzo de razonamiento xhigh puede variar decenas de puntos frente al mismo modelo con la configuración predeterminada, porque el benchmark es una secuencia de comandos de shell en la que un modelo que piensa más tiempo dispone de más intentos para recuperarse de sus propios errores. Comparar una cifra de mejor esfuerzo, alto esfuerzo y cinco ejecuciones con un único número sin matices no es una comparación en absoluto.

Hay una segunda asimetría, más sutil e interesante. El propio modelo base de DaisyRose 27B, Qwen3.8-27B, obtiene 73,0 en la misma fila de la misma tarjeta. Así que el postentrenamiento de RadixArk mejoró Terminal Bench 2.1 en 2,5 puntos, mientras que la brecha de 46 puntos con Granite corresponde a 44 puntos de diferencia del modelo base y 2 puntos de entrenamiento. Todo lo que separa a estos dos proveedores en este benchmark está en el punto de partida, no en el aprendizaje por refuerzo.

Donde las mesas sí se encuentran

Se comparten dos filas más, y ambas son más comparables que Terminal-Bench.

• GPQA Diamond — DaisyRose 27B 90,7 en ocho ejecuciones sobre 198 preguntas con el orden de las respuestas reordenado aleatoriamente; Granite 4.2 30B 66,41. Una brecha de 24 puntos que ninguna diferencia de arnés de evaluación explica de forma plausible. El modelo base de DaisyRose puntúa 89,2, así que el post-entrenamiento añadió 1,5 puntos a un modelo base que ya estaba muy por delante.

• IFBench — DaisyRose 27B 82.4 en cuatro ejecuciones sobre 300 prompts con el evaluador oficial de allenai, precisión estricta a nivel de prompt excluyendo el pensamiento; Granite 4.2 30B 77.17, etiquetado como "prompt" en la tarjeta. Una diferencia de 5 puntos, y lo más parecido a un empate genuino en cualquiera de las dos tarjetas.

La cifra de GPQA es la que debería cambiar cómo piensa un lector sobre este enfrentamiento. Granite 4.2 30B es un modelo que IBM creó para trabajo agéntico empresarial —doce idiomas probados, tres modos de razonamiento, llamadas a herramientas, un contexto nativo de 128K ampliable a 512K— y obtiene 66,41 en ciencia de nivel de posgrado. DaisyRose 27B obtiene 90,7. Sean cuales sean las salvedades del arnés de evaluación en Terminal-Bench, las preguntas de ciencia de posgrado no tienen un arnés que haga variar 24 puntos, y la lectura honesta es que el modelo base de RadixArk, Qwen3.8-27B con 89,2, es simplemente un modelo de razonamiento más fuerte que el modelo base del que partió IBM.

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.

Dos ideas muy diferentes sobre el entrenamiento de agentes

Ambos modelos se entrenaron para trabajar dentro de un entorno aislado, y las dos descripciones de ese entrenamiento son la parte más reveladora de cualquiera de las dos fichas.

El enfoque de RadixArk consistió en cambiar lo mínimo posible. DaisyRose 27B mantiene intactas la arquitectura, el tokenizador, la plantilla de chat, la torre de visión y el contexto de 262.144 tokens de Qwen3.8-27B, y aplica aprendizaje por refuerzo a aproximadamente 1.200 tareas seleccionadas de horizonte largo creadas con Eigent AI —tareas diseñadas para encadenar varios problemas, resistir la manipulación de recompensas y ejecutarse en sesiones de hasta un millón de tokens—. Dieciocho días, 144 H200, 63.000 horas de GPU, alrededor de 944.000 sandboxes. Sin ajuste fino supervisado, sin destilación.

El enfoque de IBM consistió en cambiar el comportamiento por etapas. La familia de Granite 4.2 30B recibió una segunda pasada de ajuste fino supervisado sobre datos sobremuestreados de ingeniería de software agéntica y, después, aprendizaje por refuerzo agéntico que ejecutó el modelo dentro de un entorno aislado en tareas estilo SWE-bench, operaciones de terminal y búsqueda web. La ficha indica explícitamente que el 30B es el de mejor rendimiento de la familia en trabajo intensivo en razonamiento y agéntico. También incluye una tabla completa de capacidades generales, doce idiomas probados, tres modos de pensamiento y cadena de pensamiento integrada.

La descripción del entrenamiento de ninguno de los dos proveedores predice el perfil de benchmarks del otro, y eso es lo que muestran las tablas: DaisyRose 27B lidera de forma decisiva en las filas con mayor peso de razonamiento y no publica nada en multilingüe ni en visión; Granite 4.2 30B publica en toda la suite empresarial —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— y obtiene 66.41 donde ambos coinciden en ciencia.

Contexto, memoria y la historia del despliegue

La extensión de 512K de Granite es un verdadero diferenciador que ninguna fila de benchmark capta, y vale la pena ser precisos sobre lo que afirma la ficha: 128K nativos, «extensión de contexto largo a 512K», con la tabla del modelo indicando una longitud de secuencia de 131.072. Una extensión no es lo mismo que nativo, y las cifras de RULER en la ficha muestran el costo: 89,96 a 64K frente a 81,38 a 128K en el mismo modelo. DaisyRose 27B adopta la posición opuesta: 262.144 tokens fijos, sin variante de contexto largo, heredados de Qwen3.8-27B, y RadixArk señala que sus propias ejecuciones de pensamiento largo alcanzan decenas de miles de tokens, que es donde se consume buena parte de esa ventana en la práctica.

• Pesos de DaisyRose 27B: BF16 unos 52 GB, FP8 unos 29 GB, NVFP4 unos 23 GB y exclusivo para Blackwell, además del borrador de decodificación especulativa Qwen3.8-27B-DSpark. RadixArk recomienda SGLang con DSpark y publica una configuración de referencia de cuatro GPU con una caché KV FP8.

• Pesos de Granite 4.2 30B: unos 29B almacenados en bfloat16, Apache 2.0, con cuantizaciones FP8, NVFP4/MXFP4 y GGUF distribuidas junto con la versión BF16. Con 30B densos, queda cerca de la misma clase de memoria que la compilación BF16 de DaisyRose, así que ninguno tiene una ventaja de huella que valga la pena discutir.

La diferencia de despliegue es una cuestión de soporte, no de tamaño. Granite 4.2 30B se puede descargar y ejecutar desde hace tres meses, cuenta con cuantizaciones publicadas por IBM para varios runtimes y tiene un ecosistema de personas que ya se han topado con sus modos de fallo. DaisyRose 27B tiene tres días de vida, cuenta con tres precisiones, una ruta de servicio recomendada y ninguna cifra de rendimiento publicada para ninguna configuración de hardware.

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.

Ninguno de los dos está en un endpoint alojado aquí.

Esta es la sección menos satisfactoria de la comparación y merece decirse con claridad: ni DaisyRose 27B ni Granite 4.2 30B aparecen en el catálogo de OrcaRouter en el momento de escribir esto. RadixArk no publica ninguna API de DaisyRose alojada y remite a SGLang, vLLM y Docker; Granite 4.2 30B de IBM es una versión de pesos abiertos cuya vía práctica es el autoalojamiento, sin tarifa de proveedor que citar. Los listados de terceros para DaisyRose citan 0,15 USD por millón de tokens de entrada y 1,88 USD por millón de salida, que es la posición inicial de un proveedor de alojamiento en lugar de un precio de proveedor y debe interpretarse como tal.

Lo que eso significa para un lector que intenta decidir es que esta comparación no se puede resolver cambiando una URL base. Ambos modelos requieren una GPU, y el consejo honesto es hacer primero el experimento más económico: si tu carga de trabajo encaja en el contexto nativo de 128K de Granite 4.2 30B y en su tabla de capacidades publicada, el modelo tiene tres meses de errores de otras personas a sus espaldas y puedes descubrir en un día si falla en tus tareas.

¿Qué haría que esta comparación fuera real?

Una sola ejecución en un mismo harness resolvería la mayor parte de esta página. Terminal-Bench es público, las tareas son fijas y ambos modelos se cargan en runtimes próximos a llama.cpp con una precisión comparable. Si alguien publicara DaisyRose 27B y Granite 4.2 30B en el mismo harness y con los mismos ajustes de muestreo, la brecha de 46 puntos se reduciría a lo que realmente sea —probablemente a algún punto entre las cifras de ambos proveedores, dado que la de DaisyRose es un mejor-de-dos con esfuerzo xhigh y la de Granite no lleva esa salvedad.

Hasta entonces, la lectura defendible es más limitada y aun así útil: en ciencia de nivel de posgrado, donde los arneses importan menos, el modelo de RadixArk está muy por delante del de IBM, por un margen que ni el número de ejecuciones ni la aleatorización del orden de las respuestas pueden explicar. En seguimiento de instrucciones, los dos están cerca. En trabajo de agentes de terminal, nadie puede decirlo, y la brecha publicada de 46 puntos mide dos configuraciones de evaluación al menos tanto como mide dos modelos.

Para un equipo que elige hoy, la decisión tiene menos que ver con la tabla de benchmarks que con la madurez. Granite 4.2 30B es un modelo empresarial terminado, documentado y con tres meses de antigüedad, con cuantizaciones y una tabla multilingüe. DaisyRose 27B es un experimento de aprendizaje por refuerzo de dieciocho días con un llamativo conjunto de cifras del proveedor, una única fila compartida que las respalda y ninguna reproducción independiente de ningún tipo. Si la carga de trabajo es de producción y el plazo es ahora, esa diferencia decide la elección. Si la carga de trabajo es un agente que controlas y puedes permitirte evaluarlo, las filas de GPQA e IFBench de DaisyRose 27B son motivo suficiente para ponerlo en el mismo banco de pruebas que el modelo que ejecutas hoy y ver qué ocurre.