
DaisyRose 27B מול Bonsai 27B: אותו גודל, הימורים הפוכים
- OrcaחדשOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 לכל 1M טוקנים · 184 tok/s
- tencentחדשTencent: Hy4 Flash2026-11-16$0.02 / $0.07 לכל 1M טוקנים · 494 tok/s
- AlibabaחדשQwen: Qwen4 Max2026-11-16$1.50 / $4.50 לכל 1M טוקנים · 385 tok/s
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 94 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 לכל 1M טוקנים · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 לכל 1M טוקנים · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 לכל 1M טוקנים · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
DaisyRose 27B ו-Bonsai 27B הם שניהם מודלים בעלי עשרים ושבעה מיליארד פרמטרים עם חלון הקשר של 262,000 טוקנים, רישיון Apache 2.0 ובסיס Qwen, והם כמעט הפכים בכל היבט אחר. DaisyRose 27B, שפורסם על ידי RadixArk ב-18 בנובמבר 2026, מבלה שמונה עשר ימים של זמן H200 וכ-63,000 שעות GPU על למידת חיזוק כדי לשפר את מה שמודל 27B מסוגל לעשות במשימות סוכניות; הוא נמסר כ-52 GB של משקולות BF16 וזקוק ל-GPU של מרכז נתונים. Bonsai 27B, שפורסם על ידי PrismML ב-14 ביולי 2026, משקיע את מאמציו בכיוון ההפוך: הוא לוקח 27B ודוחס את המשקולות ל-1.125 ביטים כל אחת כך שכל הדבר נכנס ב-3.8 GB ורץ על טלפון. אף אחד מהם אינו מודל טוב יותר. הם שתי תשובות שונות לשאלה "כמה צריך לעלות 27B", והתשובה שאתה רוצה תלויה לחלוטין בשאלה אם האילוץ הוא איכות או בתים.
הסתייגות אחת לפני כל השוואה, משום שהיא קובעת עד כמה העמוד הזה יכול להיות חשבוני: שני הספקים אינם חולקים אפילו מדד אחד. RadixArk מדווחת על Terminal Bench, DeepSWE, SWE Bench Pro, HLE, IFBench ו-GPQA Diamond. PrismML מדווחת על מערך משלה בן חמישה עשר מדדים ובנוסף נתון נגזר של "צפיפות אינטליגנציה". אין שורה שבה שני הדגמים הללו נמדדו שניהם, ולכן שום דבר בהמשך אינו מחסיר ציון אחד מאחר.
ממה כל אחד בנוי
השושלת היא ההבדל האמיתי הראשון, וקל לפספס אותו כי שניהם אומרים "Qwen 27B".
• DaisyRose 27B — אימון-המשך (post-train) של Qwen3.8-27B, כאשר הארכיטקטורה נותרה ללא שינוי. אותו טוקנייזר, אותה תבנית צ'אט, אותו מגדל ראייה, אותו הקשר של 262,144 טוקנים. האימון של RadixArk שינה את ההתנהגות ולא דבר אחר, והוא מתאר את התוצאה כתחליף ישיר (drop-in replacement) לבסיס.
• Bonsai 27B — בנייה מחדש בביט נמוך של Qwen3.6-27B, דור אחד קודם. זהו לא אימון-המשך: רשת השפה מקודדת מחדש מקצה לקצה בדיוק של 1 ביט או טרנרי — ההטמעות, הקשב, השלכות ה-MLP וראש ה-LM כאחד — ללא שום פתח מילוט לדיוק גבוה יותר בשום מקום בשלד.
פער הדורות הזה הוא נחיתות אמיתית עבור Bonsai, ולעיתים נדירות אומרים זאת בגלוי. Qwen3.6-27B הוא המודל ש-RadixArk בחרה לשפר; Bonsai 27B הוא עותק דחוס שלו. כך שקורא שמשווה בין השניים לא משווה רק אימון-המשך מול דחיסה, אלא אימון-המשך של בסיס חדש יותר מול דחיסה של בסיס ישן יותר. שני שינויים בצעד אחד, ואף טבלה של מי מהספקים אינה מפרידה ביניהם.
שני מארזים, שתי טביעות רגל
Bonsai 27B מופץ בשני פורמטים של משקלים של אותו מודל, והבחירה ביניהם היא ההחלטה הממשית היחידה באותו שחרור.
• אריזת בינארי — משקלים {−1, +1} עם סקיילינג קבוצתי FP16, ארוזים כ-GGUF Q1_0_g128 ב-1.125 ביטים אפקטיביים לכל משקל. הקובץ המשוגר הוא 3.803 GB; הכרטיס מעגל את נפח הפריסה לכ-3.9 GB.
• אריזה טרנרית — משקולות {−1, 0, +1} באותו קנה מידה. ערך טרנרי נושא log₂3 ≈ 1.585 ביטים, ולכן הרצפה של הייצוג היא כ-1.71 ביטים למשקל, או 5.9 GB אידיאלי. הקובץ המסופק הוא 7.165 GB, מפני שקרנלים נוכחיים מאחסנים כל ערך טרנרי בחריץ של שני ביטים — 2.125 ביטים למשקל בפועל. הפער הזה הוא מגבלת קרנל, לא בחירה מודלית, ו-PrismML מפרסמת את שני המספרים.
DaisyRose 27B מגיע בדרך הרגילה: BF16 בכ-52 GB, FP8 בכ-29 GB, NVFP4 בכ-23 GB ורק עבור Blackwell. מול 3.803 GB של Bonsai, מדובר בפי כארבעה עשר בערך בקצה הבינארי, והדחיסה אינה בחינם — מערך הבדיקות של PrismML עצמו מציב את החבילה הבינארית על 89.5% מקו הבסיס של הדיוק המלא שלה, ואת החבילה הטרנרית על 94.6%.
היכן שלמעשה משלמים על הדחיסה
פירוט הקטגוריות של PrismML הוא הדבר השימושי ביותר בכל אחד משני הפרסומים, מכיוון שהוא מראה שהאובדן אינו מפוזר באופן אחיד. לעומת קו הבסיס שלה מסוג FP16 Qwen3.6-27B, שעומד על 85.07 במערך של חמישה-עשר מבחנים במצב חשיבה:
• Binary pack — 76.11 בסך הכול, 89.5% שימור. מתמטיקה יורדת מ-95.33 ל-91.66 וקידוד מ-88.74 ל-81.88. מעקב אחר הוראות יורד מ-78.47 ל-65.74, עבודה עם סוכנים וקריאה לכלים מ-80.00 ל-66.03, וראייה מ-72.61 ל-59.57.
חבילת טרנרית — 80.49 בסך הכול, 94.6% שימור, ומשחזרת כמחצית מהפער לדיוק מלא תמורת 3.3 GB נוספים של משקל.
קרא את הרשימה הזו מול מה ש-DaisyRose 27B אומן עבורו, ושתי ההפצות מפסיקות להיות ברות-השוואה בכל מובן פשוט. הקטגוריה החלשה ביותר של Bonsai 27B לאחר דחיסה היא סוכנים וקריאה לכלים עם 66.03 לעומת בסיס של 80.00 — אובדן של חמש-עשרה נקודות בדיוק בתחום שבו RadixArk השקיע שמונה-עשר ימי זמן GPU בשיפור. מודל אחד משלם על קוטנו במטבע שהמודל האחר מוציא את המחשוב שלו כדי לקנות. אם עומס העבודה שלך הוא סוכן קידוד שקורא לכלים בלולאה, חבילת הבינארי של Bonsai 27B היא הארטיפקט הכי פחות מתאים בהשוואה הזו ו-DaisyRose 27B היא הטובה ביותר, ושום דבר אחר באף אחת מהטבלאות לא משנה את הסדר הזה.

מה כל אחד מהם דורש מהחומרה שלך
כאן ההשוואה הופכת למוחשית ולא לרטורית.
• DaisyRose 27B — כרטיס H200, B200 או GB300 בודד, או RTX PRO 6000, RTX 5090 או DGX Spark ב-NVFP4. נתיב ההגשה המומלץ הוא SGLang עם מודל טיוטה מסוג DSpark לפענוח ספקולטיבי, ארבעה עותקים במקביליות נתונים על פני צומת עם ארבעה GPUs במקביליות טנזורית 1 עם מטמון KV מסוג FP8. RadixArk אינה מפרסמת נתון טוקנים לשנייה עבור אף אחת מהתצורות הללו.
• Bonsai 27B — llama.cpp על CUDA, Metal או CPU, כאשר קרנלי ה-1-bit והטרנרי נמצאים בפורק של PrismML עצמה ולא ב-upstream, כך ש-llama.cpp הסטנדרטי עדיין לא יטען אותם כראוי. חבילת הבינארי נכנסת לטלפון עם 12 GB; חבילת הטרנרי צריכה קצת יותר מרווח. הוסיפו בערך 2.4 GB אם אתם לוקחים גם את ה-drafter ואת מגדל הראייה, כי נתון הכותרת של 3.9 GB הוא משקולות השפה ולא הפריסה.
אין תצורה שבה השניים מתחרים על אותה משבצת. מודל בינארי בנפח 3.8 GB בטלפון ומודל BF16 בנפח 52 GB על H200 אינם באים זה על חשבון זה; הם משרתים מוצרים שונים. החפיפה צרה ומעניינת יותר: NVFP4 DaisyRose בנפח 23 GB מול Bonsai טרנארי בנפח 7.2 GB, ששניהם נכנסים לכרטיס צרכני בודד — זה המקום היחיד שבו הבחירה היא באמת החלפה בין חלופות ולא בין קטגוריות.
ראיות, וכמה מהן יש
ל-Bonsai 27B יש ארבעה חודשי הורדות מאחוריו — מאגר ה-GGUF הטרנרי חצה 590,000 באוקטובר 2026 לעומת קצת יותר מ-400,000 עבור חבילת הבינארי, כאשר מכולות ה-MLX של שניהם מעל מיליון כל אחת. מה שזה מרמז הוא שרוב המודל הזה מופעל על חומרת Apple ולא על שרתים, ושהאנשים שמורידים אותו קונים את חמש נקודות השימור הנוספות ולא את הקובץ הקטן ביותר. זו עדות שימוש ולא עדות איכות, אבל זו עדות מסוג שאף טבלת בנצ'מרקים של אף ספק לא מספקת.
DaisyRose 27B בן שלושה ימים ואין לו הרצה עצמאית. שבע שורות הבנצ'מרק שלו הן של RadixArk, שנמדדו במערכי ההרצה של RadixArk, בטמפרטורה 1.0, top_p 0.95, top_k 20 ומאמץ חשיבה xhigh, ופורסמו כטובות מבין הרצות ה-BF16 וה-FP8 שלו. ההשוואה הבין-מודלית שלו מול מערכות גדולות יותר נשענת על נתונים שפורסמו על ידי צדדים אחרים ולא על הרצות זה לצד זה, והכרטיס מציין זאת.
אף אחד מהמודלים לא הוערך על אותו הרנס כמו האחר. כל עמוד שמציג מספר של DaisyRose לצד מספר של Bonsai ומסיק מכך מסקנה — ממציא השוואה שאיש לא ביצע.

איזה אחד לבחור
ההחלטה תלויה בשאלה אחת, וזו אינה שאלת בנצ'מרק: האם המודל חייב לרוץ במקום שאין בו מרכז נתונים?
אם כן, התשובה היא Bonsai 27B, ובאופן ספציפי חבילת הטרנרי, אלא אם המכשיר סובל באמת ממחסור בזיכרון. הפער של חמישה עשר נקודות של חבילת הבינארי בעבודות סוכנים וקריאה לכלים הוא הוויתור הגדול ביותר באיכות מבין שני השחרורים, וה-3.3 GB שחבילת הטרנרי עולה מחזירים חצי מהמרחק לדיוק מלא. בטלפון עם 12 GB אין חלופה; בכל מכשיר שיש בו 8 GB פנויים למשקלים, חבילת הטרנרי היא הארטיפקט הטוב יותר.
אם לא — אם המודל פועל מאחורי API או על צומת שירות — היתרון המרכזי של Bonsai 27B מתאדה, והיתרון המרכזי של DaisyRose 27B הוא היחיד שנותר על הרגליים. מודל שנכנס על H200 הוא לא מודל שצריך לדחוס אותו, ומה שהייתם קונים עם Bonsai במשבצת הזו הוא 27B שמוגבל ל־89.5% או 94.6% מבסיס מבוגר בדור אחד. השחרור של RadixArk מכוון בדיוק לקורא הזה, והטענה שיש לבחון היא האם הקפיצה של Terminal Bench 4.1 מ־5.6 ל־12.0 משתחזרת ברתמת בדיקה ציבורית.
דרך זולה להריץ את ההשוואה בעצמך
לא DaisyRose 27B ולא Bonsai 27B נמצאים בקטלוג של OrcaRouter נכון למועד כתיבת הדברים, והעמוד הזה לא יעמיד פנים אחרת. אב הקדמון המשותף שלהם הוא: Qwen3.8-27B מוגש בתור qwen/qwen3.8-27bב-$0.33 למיליון אסימוני קלט ו-$2.40 למיליון פלט, עם אותו חלון הקשר של 262,144 אסימונים ומגדל ראייה ש-DaisyRose 27B שומר עליו. הרצת המודל הבסיסי על הפרומפטים שלך היא הדרך הזולה ביותר לקבוע מה מבקשים מהאימון-המשך לשפר, והיא עולה כמה סנטים במקום H200 שכור.
אותה נקודת קצה היא רשת ביטחון שימושית לאחר מכן. אם פריסה בהארחה עצמית של DaisyRose נתקלת בחלון הקשר מלא או בארגז חול שבור באמצע משימה, כלל אוטומטי של failover שולח את הבקשה למודל הבסיס במקום להחזיר שגיאה — תשובה ירודה יותר במקום קריאה כושלת. זהו הביטוי המעשי של הפשרה שכל ההשוואה הזאת עוסקת בה: שווה לשלם על התקרה, אבל רק אם יש משהו מתחתיה.
מה שישנה את הדף הזה הוא מערכת בדיקה משותפת אחת. אם PrismML תדחוס את Qwen3.8-27B — הבסיס ש-DaisyRose שיפרה — שני המודלים סוף סוף יהיו ברי-מדידה זה מול זה, ולשאלה „מה מפסיד מודל 27B בכך שהוא הופך ל-3.8 GB” יהיה מספר במקום קטגוריה.
