Une carte de titre indiquant « DaisyRose 27B vs Granite 4.2 30B », avec le sous-titre « 46 points d’écart sur Terminal Bench 2.1 », au-dessus de trois cartes indiquant « DaisyRose : 27,8B dense, 75,5 sur Terminal Bench 2.1 », « Granite 4.2 30B : 30B dense, 29,24 sur Terminal Bench 2.1 » et « Les deux : Apache 2.0, auto-hébergement en priorité », avec un pied de page indiquant « Les deux chiffres sont déclarés par les fournisseurs, sur le harnais propre à chacun. » Le logo OrcaRouter se trouve en bas à droite.
Guides & Insights

DaisyRose 27B vs Granite 4.2 30B : 46 points, deux harnais

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

DaisyRose 27B et Granite 4.2 30B rapportent tous deux un score sur Terminal Bench 2.1. DaisyRose 27B, post-entraînement uniquement par apprentissage par renforcement de Qwen3.8-27B réalisé par RadixArk et publié le 18 novembre 2026, obtient 75,5 contre 73,0 pour son modèle de base. Granite 4.2 30B, modèle dense de 30 milliards de paramètres d’IBM publié le 25 août 2026, obtient 29,24. Cela représente un écart de 46 points sur le même nom de benchmark, entre deux modèles denses de taille presque identique, et la conclusion naturelle — que DaisyRose 27B est deux fois et demie meilleur pour le travail terminal agentique — est presque certainement fausse. Les deux chiffres n’ont pas été produits de la même manière, et cette page porte largement sur la façon dont un écart de 46 points peut être plus petit qu’il n’y paraît.

Les deux modèles ont plus en commun que ne le suggère cet écart : tous deux denses, tous deux autour de 30 milliards de paramètres, tous deux sous Apache 2.0, tous deux des versions à poids ouverts sans prix d’API hébergée par un fournisseur à citer, tous deux entraînés spécifiquement pour l’utilisation agentique d’outils dans des environnements isolés. Ils forment la paire la plus proche de cette série par l’architecture et par l’intention, ce qui explique précisément pourquoi les chiffres sur leurs fiches méritent d’être lus attentivement plutôt que soustraits.

Anatomie d'un écart de 46 points

Commencez par ce que chaque fournisseur dit sur la façon dont le chiffre a été obtenu, car les deux fiches sont exceptionnellement explicites et elles décrivent des mesures différentes.

• DaisyRose 27B — cinq exécutions par tâche sur le harnais Terminus 2. La fiche comparative mentionne explicitement Terminus 2 et indique le nombre d’exécutions. Les paramètres d’échantillonnage étaient : température 1,0, top_p 0,95, top_k 20, effort de raisonnement xhigh ; le score publié correspond au meilleur des exécutions BF16 et FP8.

• Granite 4.2 30B — 29,24 sur Terminal-Bench 2.1, rapporté sous la forme d’une seule ligne de tableau sur la fiche du modèle. La fiche documente en détail l’entraînement agentique de la famille — une deuxième passe de réglage fin supervisé sur des données agentiques de génie logiciel suréchantillonnées, puis un apprentissage par renforcement agentique dans un bac à sable effectuant des tâches de type SWE-bench, des opérations de terminal et des recherches web — mais la ligne Terminal-Bench elle-même n’indique ni nombre d’exécutions, ni nom de harness, ni configuration d’échantillonnage.

Cette asymétrie, c’est toute l’histoire des 46 points. Un fournisseur a publié un score lourdement instrumenté, à effort de raisonnement maximal, sur cinq exécutions ; l’autre a publié une cellule de tableau. Un résultat Terminal-Bench avec un effort de raisonnement xhigh peut varier de dizaines de points par rapport au même modèle aux paramètres par défaut, car le benchmark est une séquence de commandes shell où un modèle qui réfléchit plus longtemps dispose de plus de tentatives pour se rattraper après ses propres erreurs. Comparer un chiffre correspondant au meilleur effort, à effort élevé, sur cinq exécutions, à un nombre unique non qualifié n’est pas une comparaison du tout.

Il existe une seconde asymétrie, plus subtile et plus intéressante. Le modèle de base propre à DaisyRose 27B, Qwen3.8-27B, obtient 73,0 sur la même ligne de la même carte. Ainsi, l'entraînement post-formation de RadixArk a amélioré Terminal Bench 2.1 de 2,5 points, tandis que l'écart de 46 points avec Granite correspond à 44 points de différence entre modèles de base et à 2 points d'entraînement. Tout ce qui sépare ces deux fournisseurs sur ce benchmark se situe dans le point de départ, et non dans l'apprentissage par renforcement.

Là où les tables se rencontrent

Deux autres lignes sont partagées, et toutes deux sont plus comparables que Terminal-Bench.

• GPQA Diamond — DaisyRose 27B 90,7 sur huit exécutions portant sur 198 questions avec un ordre des réponses remanié ; Granite 4.2 30B 66,41. Un écart de 24 points qu'aucune différence de harnais ne peut raisonnablement expliquer. Le modèle de base de DaisyRose obtient 89,2, donc le post-entraînement a ajouté 1,5 point à un modèle de base qui était déjà loin devant.

• IFBench — DaisyRose 27B 82,4 sur quatre exécutions sur 300 prompts avec l’évaluateur officiel allenai, précision stricte au niveau du prompt en excluant la réflexion ; Granite 4.2 30B 77,17, étiqueté « prompt » sur la fiche. Un écart de 5 points, et ce qui s’approche le plus d’une véritable égalité sur l’une ou l’autre des fiches.

Le score GPQA est celui qui devrait changer la façon dont un lecteur envisage cette comparaison. Granite 4.2 30B est un modèle qu’IBM a conçu pour le travail agentique en entreprise — douze langues testées, trois modes de raisonnement, appel d’outils, un contexte natif de 128K extensible à 512K — et il obtient 66,41 sur des questions scientifiques de niveau master. DaisyRose 27B obtient 90,7. Quelles que soient les réserves liées au harnais d’évaluation sur Terminal-Bench, les questions scientifiques de niveau master ne dépendent pas d’un harnais capable de faire varier les résultats de 24 points, et l’interprétation honnête est que le modèle de base de RadixArk, Qwen3.8-27B à 89,2, est tout simplement un modèle de raisonnement plus fort que celui dont IBM est parti.

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.

Deux conceptions très différentes de l’entraînement agentique

Les deux modèles ont été entraînés à travailler dans un environnement isolé, et les deux descriptions de cet entraînement constituent la partie la plus révélatrice de l’une ou l’autre fiche.

L’approche de RadixArk consistait à modifier le moins de choses possible. DaisyRose 27B conserve inchangés l’architecture, le tokenizer, le modèle de conversation, la tour de vision et le contexte de 262 144 tokens de Qwen3.8-27B, et applique l’apprentissage par renforcement à environ 1 200 tâches à long horizon sélectionnées, construites avec Eigent AI — des tâches conçues pour enchaîner plusieurs problèmes, résister au reward hacking et s’exécuter dans des sessions pouvant atteindre un million de tokens. Dix-huit jours, 144 H200, 63 000 heures GPU, environ 944 000 sandboxes. Pas de fine-tuning supervisé, pas de distillation.

L'approche d'IBM consistait à modifier le comportement par étapes. La famille du Granite 4.2 30B a bénéficié d'une seconde passe d'affinage supervisé sur des données d'ingénierie logicielle agentique suréchantillonnées, puis d'un apprentissage par renforcement agentique qui exécutait le modèle dans un bac à sable sur des tâches de type SWE-bench, des opérations en terminal et de la recherche web. La fiche technique précise explicitement que le 30B est le modèle le plus performant de la famille sur les travaux à forte intensité de raisonnement et les tâches agentiques. Elle comporte également un tableau complet des capacités générales, douze langues testées, trois modes de réflexion et une chaîne de pensée intégrée.

La description de l’entraînement d’aucun des deux fournisseurs ne prédit le profil de benchmarks de l’autre, et c’est ce que montrent les tableaux : DaisyRose 27B mène de manière décisive sur les lignes à forte composante de raisonnement et ne publie rien sur le multilingue ou la vision ; Granite 4.2 30B publie des résultats sur toute la suite d’évaluation entreprise — 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 — et obtient 66.41 là où les deux se recoupent en science.

Contexte, mémoire et récit du déploiement

L’extension à 512K de Granite est un véritable différenciateur qu’aucune ligne de benchmark ne capture, et il vaut la peine d’être précis sur ce que la fiche revendique : 128K natif, « extension de contexte long à 512K », avec le tableau du modèle indiquant une longueur de séquence de 131 072. Une extension n’est pas équivalente à un contexte natif, et les chiffres RULER de la fiche en montrent le coût — 89,96 à 64K contre 81,38 à 128K sur le même modèle. DaisyRose 27B adopte la position inverse : un contexte fixe de 262 144 tokens, sans variante de contexte long, hérité de Qwen3.8-27B, et RadixArk note que ses propres exécutions de raisonnement long atteignent des dizaines de milliers de tokens, ce qui, en pratique, consomme une grande partie de cette fenêtre.

Poids DaisyRose 27B — BF16 environ 52 Go, FP8 environ 29 Go, NVFP4 environ 23 Go et compatible uniquement avec Blackwell, ainsi que le draft model Qwen3.8-27B-DSpark de décodage spéculatif. RadixArk recommande SGLang avec DSpark et publie une configuration de référence à quatre GPU avec un cache KV en FP8.

• Poids de Granite 4.2 30B — environ 29B stockés en bfloat16, Apache 2.0, avec des quantifications FP8, NVFP4/MXFP4 et GGUF fournies aux côtés de la version BF16. Avec 30B en dense, il se situe dans la même classe de mémoire que la version BF16 de DaisyRose, donc aucun des deux ne présente d’avantage d’empreinte qui vaille la peine d’en débattre.

La différence de déploiement tient au support, pas à la taille. Granite 4.2 30B est téléchargeable et exécutable depuis trois mois, dispose de quantifications publiées par IBM pour plusieurs environnements d’exécution et bénéficie d’un écosystème de personnes ayant déjà rencontré ses modes de défaillance. DaisyRose 27B a trois jours, propose trois précisions, une seule voie de service recommandée et aucun chiffre de débit publié pour aucune configuration matérielle.

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.

Ni l'un ni l'autre ne se trouve sur un point de terminaison hébergé ici

C'est la section la moins satisfaisante de la comparaison, et il vaut la peine de le dire clairement : ni DaisyRose 27B ni Granite 4.2 30B n'apparaissent dans le catalogue d'OrcaRouter au moment de la rédaction. RadixArk ne publie aucune API DaisyRose hébergée et renvoie à SGLang, vLLM et Docker ; Granite 4.2 30B d'IBM est une publication à poids ouverts dont la voie pratique est l'auto-hébergement, sans tarif fournisseur à citer. Les annonces tierces pour DaisyRose indiquent 0,15 $ par million de tokens d'entrée et 1,88 $ par million de tokens de sortie, ce qui correspond à une position d'ouverture d'un hébergeur plutôt qu'à un prix de fournisseur et doit être interprété comme tel.

Ce que cela signifie pour un lecteur qui cherche à se décider, c'est que cette comparaison ne peut pas être tranchée en changeant une URL de base. Les deux modèles exigent un GPU, et le conseil honnête est de mener d'abord l'expérience la moins coûteuse : si votre charge de travail tient dans le contexte natif de 128K de Granite 4.2 30B et dans son tableau de capacités publié, le modèle a trois mois d'erreurs commises par d'autres derrière lui et vous pouvez déterminer en une journée s'il échoue sur vos tâches.

Qu’est-ce qui rendrait cette comparaison réelle ?

Une seule exécution sur un seul banc d’essai réglerait l’essentiel de cette page. Terminal-Bench est public, les tâches sont fixes, et les deux modèles se chargent dans des environnements d’exécution proches de llama.cpp à une précision comparable. Si quelqu’un publiait DaisyRose 27B et Granite 4.2 30B sur le même banc d’essai avec les mêmes paramètres d’échantillonnage, l’écart de 46 points se réduirait à ce qu’il est réellement — probablement quelque part entre les chiffres des deux fournisseurs, puisque celui de DaisyRose est un meilleur résultat sur deux à effort xhigh et que celui de Granite est sans réserve.

En attendant, la lecture défendable est plus étroite et reste utile : en science de niveau troisième cycle, où les harnais importent le moins, le modèle de RadixArk est bien plus avancé que celui d’IBM, avec un écart que ni le nombre d’exécutions ni la permutation de l’ordre des réponses ne peuvent expliquer. Sur le suivi d’instructions, les deux sont proches. Sur le travail d’agent en terminal, personne ne peut se prononcer, et l’écart publié de 46 points mesure au moins autant deux dispositifs d’évaluation que deux modèles.

Pour une équipe qui choisit aujourd’hui, la décision tient moins au tableau de référence qu’à la maturité. Granite 4.2 30B est un modèle d’entreprise fini, documenté, âgé de trois mois, avec des quantisations et un tableau multilingue. DaisyRose 27B est une expérience d’apprentissage par renforcement de dix-huit jours, avec un ensemble frappant de chiffres fournis par le fournisseur, une seule ligne partagée qui les étaye et aucune reproduction indépendante d’aucune sorte. Si la charge de travail est en production et que l’échéance est maintenant, c’est cette différence qui tranche. Si la charge de travail est un agent que vous contrôlez et que vous avez les moyens de le benchmarker, les lignes GPQA et IFBench de DaisyRose 27B suffisent à le placer sur le même harnais d’évaluation que le modèle que vous exécutez aujourd’hui et à voir ce qui se passe.