Une carte de titre générée indiquant « DaisyRose 27B contre ZWZ2 27B » avec le sous-titre « Moyennes face aux frontières », une carte de gauche listant DaisyRose-27B sur la base Qwen3.8-27B, sept benchmarks rapportés et un score principal Terminal Bench de 4,1 sur 12,0, une carte de droite listant ZwZ2-27B sur la base Qwen3.6-27B, vingt-cinq benchmarks rapportés et une moyenne principale de 60,51, un pied de page indiquant « Les deux tableaux sont déclarés par le fournisseur ; une génération de base d'écart », et le logo OrcaRouter.
Guides & Insights

DaisyRose 27B vs ZWZ2 27B : Moyennes vs Frontières

Auteur

jinhao.song

Date de publication

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

Placez DaisyRose-27B et ZWZ2-27B côte à côte et vous obtenez deux véritables post-entraînements par apprentissage par renforcement de checkpoints Qwen, publiés à trois semaines d'intervalle à l'automne 2026, présentés dans deux styles complètement différents. DaisyRose-27B, de RadixArk, le 18 novembre 2026, consiste en sept benchmarks face à Qwen3.8-27B, avec le plus grand gain relatif sur le plus difficile. ZWZ2-27B, d'inclusionAI, consiste en vingt-cinq benchmarks couvrant six domaines face à Qwen3.6-27B, rapportés sous la forme d'un score moyen qui passe de 55,52 à 60,51.

Un laboratoire a publié une frontière. L’autre a publié une moyenne. Ce ne sont pas le même type d’affirmation, et la différence vous en dit plus sur la finalité de chaque modèle que n’importe quel chiffre isolé dans l’une ou l’autre des tables.

Des bases différentes, à une génération d'écart

Le fait le plus important dans cette confrontation est que les deux modèles ne partagent pas d’ancêtre. ZWZ2-27B est construit sur Qwen3.6-27B ; DaisyRose-27B est construit sur Qwen3.8-27B. Cela représente une génération de base d’écart, ce qui signifie que la comparaison directe qu’une page « vs » effectue normalement n’est pas disponible ici — non pas parce que les chiffres manquent, mais parce que battre une base de la génération précédente ne dit pas la même chose que battre la génération actuelle.

La fiche de ZWZ2-27B elle-même le montre clairement en rapportant chaque gain par rapport à Qwen3.6-27B. La fiche de DaisyRose-27B rapporte les siens par rapport à Qwen3.8-27B. Un lecteur qui compare les deux chiffres d’amélioration compare une amélioration par rapport à une base plus ancienne avec une amélioration par rapport à une base plus récente, et la base plus récente partait de plus haut. Aucune arithmétique ne corrige cela, et aucun article honnête ne devrait essayer.

Comment ZWZ2 se présente

L’évaluation de ZwZ2-27B est organisée par domaine plutôt que selon la difficulté des benchmarks. Vingt-cinq benchmarks regroupés en six domaines, chacun avec sa propre moyenne avant/après :

• Perception fine — de 62,09 à 67,57, soit un gain de 5,48 sur huit benchmarks, dont VStar, HR-Bench 8K et MME-RealWorld.

• Raisonnement spatial — de 49,72 à 55,98, en hausse de 6,26, la plus forte progression du domaine.

• Raisonnement visuel général — de 47,89 à 53,71, en hausse de 5,82, couvrant MMStar et BabyVision.

• Spatial incarné — 50,17 à 55,71, en hausse de 5,54.

• Contexte long — de 65,87 à 68,77, en hausse de 2,90.

• Agents multimodaux — de 49,73 à 51,81, soit +2,08, la plus faible hausse et la plus révélatrice.

La moyenne globale passe de 55,52 à 60,51, soit une hausse de 4,99, et inclusionAI affirme que le modèle ajusté surpasse le modèle de base sur chacun des vingt-cinq benchmarks. C’est une affirmation forte en matière de cohérence et une affirmation faible en matière de capacité particulière, car une moyenne sur vingt-cinq tests est dominée par les tests pour lesquels le modèle était déjà bon.

Comment DaisyRose se présente

RadixArk a adopté l’approche inverse : sept benchmarks, chacun présenté individuellement, avec le score du modèle de base à côté. Terminal Bench 4.1 passe de 5,6 à 12,0, Terminal Bench 2.1 de 73,0 à 75,5, DeepSWE v1.1 de 42,2 à 46,2, SWE Bench Pro v2 de 91,3 à 94,7, Humanity's Last Exam de 33,9 à 34,3, IFBench de 79,5 à 82,4, GPQA Diamond de 89,2 à 90,7.

Aucune moyenne n’est proposée, et c’est bien là l’essentiel. Le gain phare, plus que doublé sur Terminal Bench 4.1, est un gain à partir d’une base très faible — 5,6 est proche du plancher. Les deux benchmarks où la base était déjà solide, HLE et GPQA Diamond, ne bougent presque pas. Lu dans son ensemble, le tableau indique que le réglage a apporté de la compétence agentique et a laissé le raisonnement général intact, ce qui est exactement ce que devrait produire une récompense fondée sur des tâches d’agent à long horizon.

A generated two-column scoreboard. DaisyRose-27B: base model Qwen3.8-27B, benchmarks published 7, Terminal Bench 4.1 5.6 to 12.0, Humanity's Last Exam 34.3, reporting style individual rows, context 262,144. ZwZ2-27B: base model Qwen3.6-27B, benchmarks published 25, reporting style domain means, context 262,144. Footer reads 'Vendor-reported; the two bases are one generation apart.'

Ce que cache une moyenne sur 25 benchmarks

Les lignes absolues les plus faibles de ZWZ2-27B sont les plus intéressantes, et sa propre fiche les publie : Chartography 12,00, AgentVista 18,18, Perception-Bench 44,93 et ScreenSpot-Pro 70,59. Celles-ci côtoient des moyennes par domaine dans la cinquantaine et la soixantaine, ce qui signifie que la moyenne est soutenue par les benchmarks sur lesquels le modèle performe bien, tandis que les épreuves véritablement difficiles sont proches du plancher.

C’est normal pour un post-train et cela ne doit pas être interprété comme un défaut. C’est toutefois précisément l’information qu’une moyenne efface. Une équipe qui lit « 60.51 » et s’attend à un modèle bon à 60 % en tout sera très surprise par Chartography à 12. Une équipe qui lit les lignes par benchmark sait immédiatement pour lesquelles de ses charges de travail ce modèle n’a pas été entraîné.

La même réserve s’applique en sens inverse à DaisyRose-27B. Son score de 12,0 à Terminal Bench 4.1 constitue un gain relatif important mais un résultat absolu médiocre, et la fiche est honnête sur les deux. Aucun chiffre phare des deux modèles ne survit au contact de ses propres lignes de détail.

Architecture et licence

Les deux héritent de leur base inchangée. ZWZ2-27B reprend la configuration Qwen3.6-27B telle que publiée : taille cachée de 5 120, 64 couches, 24 têtes de requête et 4 têtes clé-valeur de dimension 256, un FFN de 17 408, un motif d’attention linéaire/complète de trois pour un répété seize fois, M-RoPE entrelacé avec une base RoPE de dix millions, un vocabulaire de 248 320 et 262 144 positions natives. Sa tour de vision comporte 27 couches d’une largeur de 1 152, avec une projection vers 5 120, des patchs de 16 pixels et une fusion 2×2. Il n’y a pas de couche de prédiction multi-token — la configuration la définit à zéro — et les poids BF16 atteignent environ 54 Go répartis sur deux shards, avec transformers 5.13.1 comme chemin documenté.

DaisyRose-27B reprend la configuration de Qwen3.8-27B : même taille cachée et même nombre de couches, une attention linéaire Gated DeltaNet selon le même schéma trois pour un, un encodeur visuel de 0,46B et une tête de prédiction de 0,42B que ZWZ2-27B ne possède pas. Le contexte est de 262 144 pour les deux. DaisyRose est proposé en BF16 à environ 52 Go, en FP8 à 29 Go et en NVFP4 à 23 Go avec une recette de service SGLang complète ; ZwZ2-27B n'est proposé qu'en BF16.

• Licence — Apache-2.0 pour les deux, héritée de leurs bases.

• Vision — les deux acceptent des images et renvoient du texte ; aucun des deux n’est uniquement textuel.

• Quantifications — trois formats pour DaisyRose-27B, BF16 uniquement pour ZwZ2-27B.

• Documentation de service — une recette SGLang détaillée avec décodage spéculatif pour DaisyRose-27B ; un guide de démarrage rapide transformers pour ZwZ2-27B.

• Évaluation indépendante — aucune pour l’un ou l’autre modèle au moment de la rédaction.

Screenshot of the RadixArk release post for DaisyRose-27B captured 21 November 2026, dated November 18, 2026 and headed 'DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency', stating that the model is built on Qwen3.8-27B and trained with reinforcement learning on long-horizon agent tasks with sessions up to 1M tokens, using 1,200 curated tasks in 18 days on 144 GPUs.

La question de la perception

Les gains de ZwZ2-27B se concentrent sur la perception et le raisonnement spatial : la perception fine progresse de 5,48, le spatial de 6,26, le spatial incarné de 5,54, et des benchmarks haute résolution comme HR-Bench 8K figurent dans ce premier groupe. DaisyRose-27B ne rapporte aucun benchmark de perception. Son encodeur visuel est hérité et laissé intact, et rien dans la fiche ne suggère que la récompense l’ait façonné.

Cette asymétrie est la décision. Si votre charge de travail est une capture d’écran, un graphique dense, une page numérisée ou une disposition spatiale, la fiche de ZwZ2-27B traite cela directement, et celle de DaisyRose-27B non. Si votre charge de travail est un terminal, un dépôt ou une longue session d’appels d’outils, c’est l’inverse : la fiche de DaisyRose-27B est remplie exactement de ces lignes, et le domaine le plus faible de ZwZ2-27B est celui des agents multimodaux, avec une moyenne de 51,81.

Aucune des deux cartes ne constitue une meilleure preuve que l’autre. Elles apportent des preuves de choses différentes, produites selon des protocoles différents, et la bonne réponse est de lire chacune pour la question à laquelle elle a été conçue pour répondre.

Les exécuter, et les mélanger

Ni DaisyRose-27B ni ZwZ2-27B ne sont hébergés sur OrcaRouter aujourd’hui. Tous deux sont des poids que vous servez vous-même ou auxquels vous accédez via des plateformes tierces, ce qui signifie que tous deux présentent le même problème opérationnel : deux checkpoints, deux déploiements, deux ensembles de décisions de capacité, et aucun moyen d’envoyer une requête à celui qui est actuellement disponible.

C'est exactement le cas pour lequel le routage a été conçu. Quand deux modèles se répartissent une charge de travail selon une frontière nette — la perception d'un côté, l'action agentique de l'autre — l'application finit de toute façon par classer les requêtes et appeler deux points de terminaison différents. Le DSL de routage d'OrcaRouter permet à cette classification de résider en un seul endroit, en composant les deux modèles en un seul chemin d'appel, avec un basculement automatique afin qu'un déploiement auto-hébergé saturése rabatte sur un second point de terminaison plutôt que de renvoyer une erreur. Pour deux modèles aussi récents et aussi peu documentés, le basculement relève moins de la disponibilité que du refus de parier un chemin de production sur des poids publics depuis trois semaines. OrcaRouter applique également le prix catalogue du fournisseur sans marge pour tout ce que nous hébergeons, de sorte que la partie hébergée d'un déploiement mixte est facturée au prix coûtant plutôt qu'avec un multiplicateur.

Screenshot of the Hugging Face model page for inclusionAI/ZWZ2-27B captured 21 November 2026, showing 15 likes, the Image-Text-to-Text pipeline tag, Transformers and Safetensors formats, tags for inclusionAI/ZwZ2-RL-VQA, grpo and conversational, two arXiv links, and an Eval Results section.

À quel rapport faire confiance pour votre décision

Prenez ZwZ2-27B si votre travail privilégie la perception et que vous voulez un modèle dont la fiche documente cela sur vingt-cinq benchmarks — et lisez les lignes absolues, pas la moyenne. Prenez DaisyRose-27B si votre travail est de nature agentique et que vous voulez un modèle dont la fiche documente un changement de comportement précis et vérifiable par rapport au modèle de base dont il est issu. Ne prenez ni l’un ni l’autre si vous avez besoin d’une vérification indépendante avant de vous engager : les deux tableaux sont déclarés par le fournisseur, aucun ne dispose d’un score Artificial Analysis, et le seul chiffre qu’une équipe achats voudrait — la performance sur votre propre charge de travail — ne figure dans aucun des deux documents.

La comparaison qui comptera vraiment est la suivante. Les deux laboratoires en sont à leur premier modèle, tous deux construits sur des checkpoints Q​wen, et tous deux ont utilisé l’apprentissage par renforcement comme tout leur post-entraînement. Si inclusionAI livre un ZwZ3 sur Qwen3.8-27B, ou si RadixArk livre un deuxième DaisyRose qui conserve la recette d’agent et ajoute des lignes de perception, les deux styles de présentation des résultats se rencontreront enfin sur une base commune et une véritable comparaison directe deviendra possible. D’ici là, le bon résumé est que ces modèles ont été évalués à des fins différentes, et que la différence entre un modèle moyen et un modèle de pointe, c’est la différence entre demander « est-ce globalement meilleur » et demander « est-ce meilleur pour ce dont j’ai besoin ».