
DaisyRose 27B vs ZWZ2 27B: Promedios vs Fronteras
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 187 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 por 1M de tokens · 87 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 por 1M de tokens · 152 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 194 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 86 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 705 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 85 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 · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 por 1M de tokens · 35 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 · 38 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 · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 101 tok/s
Si pones DaisyRose-27By ZWZ2-27Buno al lado del otro, obtienes dos post-entrenamientos genuinos de aprendizaje por refuerzo de checkpoints de Qwen, publicados con tres semanas de diferencia en el otoño de 2026 y presentados con dos estilos completamente distintos. DaisyRose-27B, de RadixArk, publicada el 18 de noviembre de 2026, se mide en siete benchmarks frente a Qwen3.8-27B, y la mayor ganancia relativa se da precisamente en el más difícil. ZWZ2-27B, de inclusionAI, abarca veinticinco benchmarks en seis dominios frente a Qwen3.6-27B, presentados como una puntuación media que sube de 55,52 a 60,51.
Un laboratorio publicó una frontera. El otro publicó un promedio. No son el mismo tipo de afirmación, y la diferencia dice más sobre para qué sirve cada modelo que cualquier número individual en cualquiera de las dos tablas.
Bases distintas, con una generación de diferencia
El hecho más importante de este enfrentamiento es que los dos modelos no comparten un ancestro. ZWZ2-27B se basa en Qwen3.6-27B; DaisyRose-27B se basa en Qwen3.8-27B. Hay una generación de base de diferencia, y eso significa que el cara a cara que normalmente realiza una página de "vs" no está disponible aquí en absoluto; no porque falten los números, sino porque superar a una base de la generación anterior dice algo distinto de superar a la actual.
La propia ficha de ZWZ2-27B lo deja claro al reportar cada mejora frente a Qwen3.6-27B. La ficha de DaisyRose-27B reporta frente a Qwen3.8-27B. Un lector que compara las dos cifras de mejora está comparando una mejora sobre una base más antigua con una mejora sobre una más nueva, y la base más nueva partía de un punto más alto. Ningún cálculo aritmético lo arregla, y ningún artículo honesto debería intentarlo.
Cómo se reporta ZWZ2
La evaluación de ZwZ2-27B está organizada por dominio en lugar de por dificultad de las pruebas comparativas. Veinticinco pruebas comparativas agrupadas en seis áreas, y cada dominio con su propio promedio de antes y después:
• Percepción de grano fino — de 62,09 a 67,57, una mejora de 5,48 en ocho benchmarks, incluidos VStar, HR-Bench 8K y MME-RealWorld.
• Razonamiento espacial — de 49,72 a 55,98, un aumento de 6,26, la mayor ganancia del dominio.
• Razonamiento visual general — de 47,89 a 53,71, un aumento de 5,82, abarcando MMStar y BabyVision.
• Espacial corporizado — de 50.17 a 55.71, un aumento de 5.54.
• Contexto largo — de 65,87 a 68,77, un aumento de 2,90.
• Agentes multimodales: de 49,73 a 51,81, un aumento de 2,08, la mejora más pequeña y la más reveladora.
La media general pasa de 55,52 a 60,51, un aumento de 4,99, e inclusionAI afirma que el modelo ajustado supera al modelo base en cada uno de los veinticinco benchmarks. Se trata de una afirmación sólida sobre la consistencia y de una afirmación débil sobre cualquier capacidad concreta, porque una media sobre veinticinco pruebas está dominada por aquellas pruebas en las que el modelo ya era bueno.
Cómo se reporta DaisyRose
RadixArk adoptó el enfoque opuesto: siete benchmarks, cada uno reportado individualmente, con la puntuación del modelo base al lado. Terminal Bench 4.1 pasa de 5.6 a 12.0, Terminal Bench 2.1 de 73.0 a 75.5, DeepSWE v1.1 de 42.2 a 46.2, SWE Bench Pro v2 de 91.3 a 94.7, Humanity's Last Exam de 33.9 a 34.3, IFBench de 79.5 a 82.4, GPQA Diamond de 89.2 a 90.7.
No se ofrece ninguna media, y esa es la cuestión. La ganancia principal, de más del doble en Terminal Bench 4.1, es una ganancia desde una base muy baja: 5,6 está cerca del suelo. Los dos benchmarks en los que la base ya era sólida, HLE y GPQA Diamond, apenas se mueven. Leída en conjunto, la tabla dice que el ajuste compró competencia agéntica y dejó intacto el razonamiento general, que es exactamente lo que debería producir una recompensa construida sobre tareas de agente de horizonte largo.

Lo que esconde una media de 25 benchmarks
Las filas absolutas más débiles de ZWZ2-27B son las interesantes, y su propia ficha las publica: Chartography 12.00, AgentVista 18.18, Perception-Bench 44.93 y ScreenSpot-Pro 70.59. Esos valores conviven con promedios de dominio en los cincuenta y los sesenta, lo que significa que la media se sostiene gracias a los benchmarks en los que el modelo rinde bien y que los realmente difíciles están cerca del mínimo.
Eso es normal en un post-entrenamiento y no debería interpretarse como un defecto. Sin embargo, es precisamente la información que una media borra. Un equipo que lee "60.51" y espera un modelo que sea 60% bueno en todo se llevará una mala sorpresa con Chartography en 12. Un equipo que lee las filas por benchmark sabe de inmediato para cuáles de sus cargas de trabajo no se entrenó este modelo.
La misma advertencia se aplica a la inversa a DaisyRose-27B. Su puntuación de 12,0 en Terminal Bench 4.1 es una gran mejora relativa y un mal resultado absoluto, y la ficha es honesta sobre ambas cosas. La cifra principal de ninguno de los dos modelos sobrevive al contraste con sus propias filas de detalle.
Arquitectura y licencia
Ambos heredan su base sin cambios. ZWZ2-27B incorpora la configuración de Qwen3.6-27B tal como se publicó: tamaño oculto de 5.120, 64 capas, 24 cabezas de consulta y 4 cabezas clave-valor de dimensión 256, una FFN de 17.408, un patrón de atención lineal-completa de tres a uno repetido dieciséis veces, M-RoPE intercalado con una base de RoPE de diez millones, un vocabulario de 248.320 y 262.144 posiciones nativas. Su torre de visión tiene 27 capas con una anchura de 1.152 y proyecta a 5.120 con parches de 16 píxeles y una fusión 2×2. No hay capa de predicción multitoken —la configuración la establece en cero— y los pesos BF16 ocupan aproximadamente 54 GB en dos fragmentos, con transformers 5.13.1 como la ruta documentada.
DaisyRose-27B tiene la configuración de Qwen3.8-27B: el mismo tamaño oculto y número de capas, atención lineal Gated DeltaNet en el mismo patrón de tres a uno, un codificador de visión de 0,46B y una cabeza de predicción de 0,42B que ZWZ2-27B no tiene. El contexto es de 262.144 para ambos. DaisyRose se distribuye en BF16 con unos 52 GB, en FP8 con 29 GB y en NVFP4 con 23 GB con una receta completa de servicio SGLang; ZwZ2-27B solo se distribuye en BF16.
• Licencia — Apache-2.0 para ambos, heredada de sus bases.
• Visión — ambos aceptan imágenes y devuelven texto; ninguno es solo texto.
• Cuantizaciones — tres formatos para DaisyRose-27B, solo BF16 para ZwZ2-27B.
• Documentación de servicio: una receta detallada de SGLang con decodificación especulativa para DaisyRose-27B; una guía de inicio rápido de transformers para ZwZ2-27B.
• Evaluación independiente: ninguna para ninguno de los dos modelos en el momento de la redacción.

La cuestión de la percepción
Las ganancias de ZwZ2-27B se concentran en percepción y razonamiento espacial: la percepción de grano fino sube 5,48, la espacial sube 6,26, la espacial encarnada sube 5,54, y los benchmarks de alta resolución como HR-Bench 8K quedan dentro de ese primer grupo. DaisyRose-27B no reporta ningún benchmark de percepción en absoluto. Su codificador de visión es heredado y permanece intacto, y nada en la tarjeta sugiere que la recompensa lo haya moldeado.
Esa asimetría es la decisión. Si tu carga de trabajo es una captura de pantalla, un gráfico denso, una página escaneada o un diseño espacial, la ficha de ZwZ2-27B lo aborda directamente y la de DaisyRose-27B no. Si tu carga de trabajo es una terminal, un repositorio o una sesión larga de llamadas a herramientas, lo contrario es cierto: la ficha de DaisyRose-27B está llena de exactamente esas filas y el dominio más débil de ZwZ2-27B son los agentes multimodales, con una media de 51.81.
Ninguna de las dos tarjetas es mejor evidencia que la otra. Son evidencia sobre cosas distintas, producidas bajo protocolos distintos, y la respuesta correcta es leer cada una en función de la pregunta para la que fue creada.
Ejecutándolos y mezclándolos
Ni DaisyRose-27B ni ZwZ2-27B están alojados en OrcaRouter hoy. Ambos son pesos que sirves tú mismo o a los que accedes mediante plataformas de terceros, lo que significa que ambos conllevan el mismo problema operativo: dos checkpoints, dos despliegues, dos conjuntos de decisiones de capacidad y ninguna forma de enviar una solicitud al que esté disponible en ese momento.
Ese es el caso para el que se creó el enrutamiento. Cuando dos modelos dividen una carga de trabajo siguiendo una línea clara —la percepción por un lado, la acción agéntica por el otro—, la aplicación acaba clasificando las solicitudes y llamando a dos endpoints distintos de todos modos. El DSL de enrutamiento de OrcaRouter permite que esa clasificación resida en un solo lugar, componiendo los dos modelos en una única ruta de llamada, con conmutación por error automática para que un despliegue autoalojado saturado recurra a un segundo endpoint en lugar de devolver un error. Para un par de modelos tan nuevos y tan poco documentados, la conmutación por error tiene menos que ver con la disponibilidad que con no apostar una ruta de producción a unos pesos que llevan tres semanas siendo públicos. OrcaRouter también traslada el precio de lista del proveedor con un 0 % de margen para todo lo que alojamos nosotros, de modo que el tramo alojado de un despliegue mixto se factura a coste en lugar de con un múltiplo.

¿En qué informe confiar para tu decisión?
Elige ZwZ2-27B si tu trabajo está centrado en la percepción y quieres un modelo cuya ficha lo documente a lo largo de veinticinco benchmarks, y lee las filas absolutas, no la media. Elige DaisyRose-27B si tu trabajo es agéntico y quieres un modelo cuya ficha documente un cambio de comportamiento específico y verificable respecto a la base de la que proviene. No elijas ninguno si necesitas verificación independiente antes de comprometerte: ambas tablas son reportadas por el proveedor, ninguno tiene una puntuación de Artificial Analysis y el único número que querría un equipo de compras —el rendimiento en tu propia carga de trabajo— no está en ninguno de los dos documentos.
La comparación que de verdad importará es la siguiente. Ambos laboratorios están en su primer modelo, ambos construidos sobre checkpoints de Qwen, y ambos usaron el aprendizaje por refuerzo como toda la historia de post-entrenamiento. Si inclusionAI lanza un ZwZ3 sobre Qwen3.8-27B, o RadixArk lanza un segundo DaisyRose que mantiene la receta de agente y añade filas de percepción, los dos estilos de reporte finalmente se encontrarán sobre una base compartida y será posible una comparación directa real. Hasta entonces, el resumen correcto es que estos modelos se midieron con propósitos distintos, y la diferencia entre un promedio y un modelo de frontera es la diferencia entre preguntar "¿es mejor en general?" y preguntar "¿es mejor en lo que necesito?".
