
DaisyRose 27B לעומת Granite 4.2 30B: 46 נקודות, שתי רתמות
- 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-Granite 4.2 30B מדווחים שניהם על ציון ב-Terminal Bench 2.1. DaisyRose 27B, תוצר אימון-המשך מבוסס למידת חיזוק בלבד של RadixArk על גבי Qwen3.8-27B, שפורסם ב-18 בנובמבר 2026, משיג 75.5 לעומת 73.0 של מודל הבסיס שלו. Granite 4.2 30B, המודל ה-dense בעל 30 מיליארד פרמטרים של IBM, שיצא ב-25 באוגוסט 2026, משיג 29.24. מדובר בפער של 46 נקודות באותו שם מבחן, בין שני מודלים dense בעלי גודל כמעט זהה, והמסקנה המתבקשת — ש-DaisyRose 27B טוב פי שניים וחצי בעבודה טרמינלית אגנטית — כמעט בוודאות שקרית. שני המספרים לא הופקו באותה דרך, והעמוד הזה עוסק ברובו בשאלה כיצד פער של 46 נקודות יכול להיות קטן מכפי שהוא נראה.
לשני המודלים יש יותר במשותף ממה שהפער הזה מרמז: שניהם מודלים צפופים, שניהם בסביבות 30 מיליארד פרמטרים, שניהם Apache 2.0, שניהם שוחררו עם משקולות פתוחות ללא מחיר API מתארח אצל ספק שניתן לצטט, ושניהם אומנו במיוחד לשימוש בכלים סוכניים בתוך ארגזי חול. זהו הזוג הקרוב ביותר בהתאמה בסדרה הזו מבחינת ארכיטקטורה ומבחינת הכוונה, וזו בדיוק הסיבה שלשמה כדאי לקרוא בקפידה את המספרים בכרטיסים שלהם ולא פשוט לחסר.
אנטומיה של פער של 46 נקודות
התחל במה שכל ספק אומר על האופן שבו המספר נוצר, כי שני הכרטיסים מפורשים באופן יוצא דופן והם מתארים מדידות שונות.
• DaisyRose 27B — חמש הרצות לכל משימה על הרנס Terminus 2. כרטיס ההשוואה מפרט במפורש את Terminus 2 ומציין את מספר ההרצות. הדגימה בוצעה בטמפרטורה 1.0, top_p 0.95, top_k 20, מאמץ החשיבה xhigh, והציון שפורסם הוא הטוב מבין הרצות ב-BF16 וב-FP8.
• {{1}}Granite 4.2 30B — 29.24 ב-Terminal-Bench 2.1, מדווח כשורה בודדת בטבלה בכרטיס המודל.{{/1}} הכרטיס מתעד בפירוט את האימון הסוכני של המשפחה — מעבר שני של כיוונון עדין מפוקח על נתוני הנדסת תוכנה סוכניים שעברו דגימה מחדש, ולאחר מכן למידת חיזוק סוכנית בתוך ארגז חול המבצע משימות בסגנון SWE-bench, פעולות מסוף וחיפוש באינטרנט — אך שורת Terminal-Bench עצמה אינה כוללת מספר ריצות מוצהר, שם הרנס או תצורת דגימה.
האסימטריה הזו היא כל הסיפור של 46 הנקודות. ספק אחד פרסם ציון עתיר מכשור במאמץ חשיבה מרבי לאורך חמש ריצות; האחר פרסם תא בטבלה. תוצאה ב-Terminal-Bench במאמץ חשיבה xhigh יכולה לנוע בעשרות נקודות לעומת אותו מודל בהגדרות ברירת המחדל, מפני שהבנצ'מרק הוא רצף של פקודות מעטפת שבו מודל שחושב יותר זמן מקבל יותר ניסיונות להתאושש מהטעויות של עצמו. השוואה בין נתון של מאמץ מיטבי, מאמץ גבוה, בחמש ריצות, לבין מספר בודד בלתי מסויג אינה השוואה כלל.
קיימת אסימטריה שנייה, עדינה ומעניינת יותר. מודל הבסיס של DaisyRose 27B עצמו, Qwen3.8-27B, מקבל 73.0 באותה שורה של אותו כרטיס. לכן האימון-המשך של RadixArk שיפר את Terminal Bench 2.1 ב-2.5 נקודות, בעוד שהפער של 46 נקודות מול Granite הוא 44 נקודות של הבדל במודל הבסיס ו-2 נקודות של אימון. כל מה שמבדיל בין שני הספקים הללו במבחן הזה נמצא בנקודת ההתחלה, לא בלמידת החיזוק.
במקום שבו השולחנות נפגשים
שתי שורות נוספות משותפות, ושתיהן ניתנות להשוואה יותר מאשר Terminal-Bench.
• GPQA Diamond — DaisyRose 27B 90.7 לאורך שמונה ריצות על 198 שאלות עם סדר תשובות מעורבב מחדש; Granite 4.2 30B 66.41. פער של 24 נקודות שאף הבדל בהרנס לא מסביר באופן סביר. מודל הבסיס של DaisyRose משיג 89.2, כך שהאימון שלאחר מכן הוסיף 1.5 נקודות למודל בסיס שכבר היה הרחק קדימה.
• IFBench — DaisyRose 27B 82.4 בארבע הרצות על 300 פרומפטים עם המדרג הרשמי של allenai, דיוק קפדני ברמת הפרומפט למעט חשיבה; Granite 4.2 30B 77.17, מסומן "prompt" בכרטיס. פער של 5 נקודות, והדבר הקרוב ביותר לתיקו אמיתי באחד משני הכרטיסים.
נתון ה-GPQA הוא זה שאמור לשנות את האופן שבו קורא חושב על ההתמודדות הזו. Granite 4.2 30B הוא מודל ש-IBM בנתה לעבודה סוכנית ארגונית — שתים-עשרה שפות שנבדקו, שלושה מצבי חשיבה, קריאה לכלים, הקשר מקורי של 128K הניתן להרחבה ל-512K — והוא מקבל 66.41 במדע ברמת תואר שני. DaisyRose 27B מקבל 90.7. יהיו אשר יהיו הסתייגויות ה-harness ב-Terminal-Bench, לשאלות מדע ברמת תואר שני אין harness שמזיז 24 נקודות, והקריאה הכנה היא שמודל הבסיס של RadixArk, Qwen3.8-27B עם 89.2, הוא פשוט מודל חשיבה חזק יותר ממודל הבסיס ש-IBM התחילה ממנו.

שני רעיונות שונים מאוד לאימון אג'נטי
שני המודלים אומנו לעבוד בתוך סנדבוקס, ושני התיאורים של אותו אימון הם החלק החושפני ביותר בכל אחד מהכרטיסים.
הגישה של RadixArk הייתה לשנות כמה שפחות. DaisyRose 27B שומר על הארכיטקטורה, הטוקנייזר, תבנית הצ'אט, מגדל הראייה וההקשר של 262,144 טוקנים של Qwen3.8-27B ללא שינוי, ומחיל למידת חיזוק על כ-1,200 משימות ארוכות-טווח נבחרות שנבנו עם Eigent AI — משימות שנועדו לשרשר כמה בעיות, להתנגד להאקינג תגמול ולרוץ בסשנים של עד מיליון טוקנים. שמונה עשר ימים, 144 כרטיסי H200, 63,000 שעות GPU, כ-944,000 ארגזי חול. ללא כיוונון עדין מפוקח, ללא זיקוק.
הגישה של IBM הייתה לשנות את ההתנהגות בשלבים. המשפחה של Granite 4.2 30B קיבלה מעבר שני של כיוונון עדין מפוקח על נתוני הנדסת תוכנה סוכניים שעברו דגימת יתר, ולאחר מכן למידת חיזוק סוכנית שהריצה את המודל בתוך ארגז חול על משימות בסגנון SWE-bench, פעולות מסוף וחיפוש באינטרנט. הכרטיס מציין במפורש שה-30B הוא המבצע החזק ביותר של המשפחה בעבודה עתירת הסקה ובעבודה סוכנית. הוא כולל גם טבלת יכולות כלליות מלאה, שתים עשרה שפות שנבדקו, שלושה מצבי חשיבה ושרשרת מחשבה מובנית.
תיאור האימון של אף אחד מהספקים אינו מנבא את פרופיל הבנצ'מרקים של האחר, וזה מה שהטבלאות מראות: DaisyRose 27B מוביל באופן מכריע בשורות עתירות ההיסק ואינו מפרסם דבר ברב-לשוניות או בראייה; Granite 4.2 30B מפרסם נתונים בכל חבילת הבנצ'מרקים הארגונית — 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 — ומשיג 66.41 בתחום המדע שבו השניים חופפים.
הקשר, זיכרון וסיפור הפריסה
הרחבת ה-512K של Granite היא מבדל אמיתי שאף שורת בנצ'מרק לא לוכדת, וכדאי להיות מדויקים לגבי מה שהכרטיס טוען: 128K מקורי, "הרחבת הקשר ארוך ל-512K", כשטבלת המודל מפרטת אורך רצף של 131,072. הרחבה אינה זהה ליכולת מקורית, והנתונים של RULER בכרטיס מראים את המחיר — 89.96 ב-64K לעומת 81.38 ב-128K על אותו מודל. DaisyRose 27B נוקטת בעמדה הפוכה: 262,144 טוקנים קבועים ללא גרסת הקשר ארוך, בירושה מ-Qwen3.8-27B, ו-RadixArk מציינת שריצות החשיבה הארוכות שלה עצמה מגיעות לעשרות אלפי טוקנים, וזה המקום שבו הולך בפועל חלק ניכר מהחלון הזה.
• משקלי DaisyRose 27B — BF16 כ-52 GB, FP8 כ-29 GB, NVFP4 כ-23 GB ובלעדי ל-Blackwell, בתוספת מנסח הפענוח הספקולטיבי Qwen3.8-27B-DSpark. RadixArk ממליצה על SGLang עם DSpark ומפרסמת תצורת ייחוס בת ארבעה כרטיסי GPU עם מטמון KV מסוג FP8.
• משקלי Granite 4.2 30B — כ-29B המאוחסנים ב-bfloat16, Apache 2.0, עם קוונטיזציות FP8, NVFP4/MXFP4 ו-GGUF המסופקות לצד מהדורת ה-BF16. בהיותו 30B צפוף, הוא נמצא בקירוב באותה מחלקת זיכרון כמו בניית ה-BF16 של DaisyRose, כך שלאף אחד מהם אין יתרון זיכרון ששווה להתווכח עליו.
ההבדל בפריסה הוא של תמיכה, לא של גודל. Granite 4.2 30B זמין להורדה ולהרצה כבר שלושה חודשים, כולל כימותים שפרסמה IBM למספר סביבות הרצה, ויש סביבו מערכת אקולוגית של אנשים שכבר נתקלו במצבי הכשל שלו. DaisyRose 27B בן שלושה ימים, יש לו שלוש רמות דיוק, נתיב הגשה מומלץ אחד, ולא פורסם נתון תפוקה לשום תצורת חומרה.

אף אחד מהשניים לא נמצא בנקודת קצה מתארחת כאן
זהו החלק הפחות מספק בהשוואה וכדאי לומר זאת בפשטות: לא DaisyRose 27B ולא Granite 4.2 30B מופיעים בקטלוג של OrcaRouter נכון לזמן כתיבת הדברים. RadixArk אינה מפרסמת API מתארח ל-DaisyRose ומפנה ל-SGLang, ל-vLLM ול-Docker; Granite 4.2 30B של IBM הוא מהדורה במשקלים פתוחים שהמסלול המעשי שלה הוא אירוח עצמי, ללא תעריף ספק לציטוט. רישומים של צדדים שלישיים עבור DaisyRose מצטטים $0.15 למיליון טוקני קלט ו-$1.88 למיליון טוקני פלט, שזו עמדת פתיחה של מארח ולא מחיר ספק, ויש לקרוא אותה ככזו.
המשמעות עבור קורא שמנסה להחליט היא שאי אפשר להכריע את ההשוואה הזו על ידי החלפת כתובת URL בסיסית. שני המודלים דורשים GPU, והעצה הכנה היא להריץ תחילה את הניסוי הזול יותר: אם עומס העבודה שלך מתאים לחלון ההקשר המקורי של 128K של Granite 4.2 30B ולטבלת היכולות שפורסמה שלו, מאחורי המודל עומדים שלושה חודשים של טעויות של אחרים, ואפשר לגלות בתוך יום אם הוא נכשל במשימות שלך.
מה יהפוך את ההשוואה הזו לאמיתית
ריצה אחת על הרנס אחד תכריע את רוב מה שבדף הזה. Terminal-Bench הוא ציבורי, המשימות קבועות, ושתי המודלים נטענים בסביבות ריצה סמוכות ל-llama.cpp בדיוק דומה. אם מישהו יפרסם את DaisyRose 27B ואת Granite 4.2 30B על אותו הרנס ובאותן הגדרות דגימה, הפער של 46 נקודות יתכווץ למה שהוא באמת — כנראה אי־שם בין הנתונים של שני הספקים, מכיוון שהנתון של DaisyRose הוא הטוב מבין שניים במאמץ xhigh וזה של Granite אינו מסויג.
עד אז, הקריאה הניתנת להגנה היא צרה יותר ועדיין שימושית: במדע ברמת תואר שני, שבו מערכות ההערכה חשובות פחות מכול, המודל של RadixArk רחוק מאוד מלפנים מזה של IBM, בפער שלא ניתן להסביר לא במספר ההרצות ולא בערבוב סדר התשובות. בביצוע הוראות השניים קרובים. בעבודת סוכני טרמינל איש אינו יכול לומר, והפער המפורסם של 46 נקודות מודד שתי מערכות הערכה לפחות באותה מידה שהוא מודד שני מודלים.
עבור צוות שבוחר היום, ההחלטה פחות נוגעת לטבלת הבנצ'מרק מאשר לבגרות. Granite 4.2 30B הוא מודל ארגוני מוגמר ומתועד בן שלושה חודשים, עם קוונטיזציות וטבלה רב-לשונית. DaisyRose 27B הוא ניסוי למידת חיזוק בן שמונה-עשר יום, עם סט מרשים של נתוני ספק, שורה משותפת אחת שתומכת בהם, וללא שחזור עצמאי מכל סוג שהוא. אם עומס העבודה הוא ייצור והמועד הוא עכשיו, ההבדל הזה מכריע. אם עומס העבודה הוא סוכן שאתם שולטים בו ואתם יכולים להרשות לעצמכם לבצע בנצ'מרק, שורות ה-GPQA וה-IFBench של DaisyRose 27B הן סיבה מספקת להעמיד אותו על אותה רתמת בדיקה כמו המודל שאתם מריצים היום ולראות מה יקרה.
