כרטיס כותרת שנוצר עם הכיתוב 'DaisyRose 27B מול ZWZ2 27B' וכתובית המשנה 'ממוצעים מול חזיתות', כרטיס שמאלי המפרט את DaisyRose-27B על בסיס Qwen3.8-27B, שבעה מדדים מדווחים וציון ראשי ב-Terminal Bench של 4.1 מתוך 12.0, כרטיס ימני המפרט את ZwZ2-27B על בסיס Qwen3.6-27B, עשרים וחמישה מדדים מדווחים וממוצע ראשי של 60.51, כותרת תחתונה עם הכיתוב 'שתי הטבלאות לפי דיווח הספק; בפער של דור בסיס אחד', והלוגו של OrcaRouter.
Guides & Insights

DaisyRose 27B לעומת ZWZ2 27B: ממוצעים לעומת חזיתות

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

העמידו את DaisyRose-27B ואת ZWZ2-27B זה לצד זה, ותקבלו שני פוסט-אימונים אמיתיים בלמידת חיזוק של נקודות ביקורת של Qwen, ששוחררו בהפרש של שלושה שבועות זה מזה בסתיו 2026, ודווחו בשני סגנונות שונים לחלוטין. DaisyRose-27B, מבית RadixArk, מ-18 בנובמבר 2026, הוא שבעה מבחני ביצועים מול Qwen3.8-27B, כאשר הרווח היחסי הגדול ביותר נופל דווקא על הקשה שבהם. ZWZ2-27B, מבית inclusionAI, הוא עשרים וחמישה מבחנים על פני שישה תחומים מול Qwen3.6-27B, המדווחים כציון ממוצע שעולה מ-55.52 ל-60.51.

מעבדה אחת פרסמה חזית. האחרת פרסמה ממוצע. אלו אינן אותו סוג של טענה, וההבדל מגלה לך יותר על מה שכל מודל נועד מאשר כל מספר בודד בכל אחת מהטבלאות.

בסיסים שונים, במרחק של דור אחד

העובדה הבודדת החשובה ביותר בהשוואה הזו היא ששני המודלים אינם חולקים אב קדמון. ZWZ2-27B בנוי על Qwen3.6-27B; DaisyRose-27B בנוי על Qwen3.8-27B. זה פער של דור בסיס אחד, וזה אומר שהעימות ראש בראש שדף "vs" בדרך כלל עורך פשוט אינו זמין כאן כלל — לא משום שהמספרים חסרים, אלא משום שלהביס בסיס מדור קודם אומר משהו שונה מלהביס את הדור הנוכחי.

הכרטיס של ZWZ2-27B עצמו מבהיר זאת בכך שהוא מדווח על כל שיפור ביחס ל-Qwen3.6-27B. הכרטיס של DaisyRose-27B מדווח ביחס ל-Qwen3.8-27B. קורא שמשווה בין שני נתוני השיפור משווה שיפור לעומת בסיס ישן יותר לשיפור לעומת בסיס חדש יותר, והבסיס החדש יותר התחיל גבוה יותר. שום חשבון לא מתקן את זה, ואף מאמר ישר לא אמור לנסות.

כיצד ZWZ2 מדווח על עצמו

ההערכה של ZwZ2-27B מאורגנת לפי תחום ולא לפי קושי הבנצ'מרק. עשרים וחמישה בנצ'מרקים מקובצים לשישה תחומים, כאשר כל תחום נושא את הממוצע שלפני ואחרי שלו:

• תפיסה עדינה — מ-62.09 ל-67.57, עלייה של 5.48 בשמונה מבחני ביצועים, כולל VStar, ‏HR-Bench 8K ו-MME-RealWorld.

• חשיבה מרחבית — 49.72 עד 55.98, עלייה של 6.26, השיפור הגדול ביותר בתחום.

• חשיבה חזותית כללית — מ-47.89 ל-53.71, עלייה של 5.82, על פני MMStar ו-BabyVision.

• מרחבי מגולם — 50.17 עד 55.71, עלייה של 5.54.

• הקשר ארוך — 65.87 עד 68.77, עלייה של 2.90.

• סוכנים מולטימודליים — 49.73 עד 51.81, עלייה של 2.08, הזכייה הקטנה ביותר והמשמעותית ביותר.

הממוצע הכולל עולה מ-55.52 ל-60.51, עלייה של 4.99, ו-inclusionAI מציינת שהמודל המכוונן גובר על מודל הבסיס בכל אחד מעשרים וחמישה מבחני הבנצ'מרק. זוהי טענה חזקה לגבי עקביות וטענה חלשה לגבי יכולת מסוימת כלשהי, מפני שממוצע על פני עשרים וחמישה מבחנים נשלט על ידי אותם מבחנים שבהם המודל כבר היה טוב.

כיצד DaisyRose מדווחת על עצמה

RadixArk נקטה בגישה ההפוכה: שבעה מבחני ביצועים, שכל אחד מהם מדווח בנפרד, כשבלצידו הציון של מודל הבסיס. Terminal Bench 4.1 עובר מ-5.6 ל-12.0, Terminal Bench 2.1 מ-73.0 ל-75.5, DeepSWE v1.1 מ-42.2 ל-46.2, SWE Bench Pro v2 מ-91.3 ל-94.7, Humanity's Last Exam מ-33.9 ל-34.3, IFBench מ-79.5 ל-82.4, GPQA Diamond מ-89.2 ל-90.7.

לא מוצע ממוצע, וזו הנקודה. הרווח הבולט, יותר מכפול ב-Terminal Bench 4.1, הוא רווח מבסיס נמוך מאוד — 5.6 קרוב לרצפה. שני המדדים שבהם הבסיס כבר היה חזק, HLE ו-GPQA Diamond, כמעט לא זזים. בקריאה כמערכת, הטבלה אומרת שהכוונון קנה יכולת סוכנית והשאיר את החשיבה הכללית לבדה, וזה בדיוק מה שתגמול שנבנה על משימות סוכניות באופק ארוך אמור להניב.

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.'

מה מסתתר מאחורי ממוצע של 25 מדדים

השורות המוחלטות החלשות ביותר של ZWZ2-27B הן המעניינות, והכרטיס של המודל עצמו מפרסם אותן: Chartography 12.00, AgentVista 18.18, Perception-Bench 44.93 ו-ScreenSpot-Pro 70.59. הן מופיעות לצד ממוצעי תחום בשנות ה-50 וה-60, כלומר הממוצע נשען על הבנצ'מרקים שהמודל מצליח בהם, והקשים באמת נמצאים קרוב לרצפה.

זה נורמלי עבור פוסט-טריינינג ולא צריך להיקרא כפגם. עם זאת, זה בדיוק המידע שממוצע מוחק. צוות שקורא "60.51" ומצפה למודל שטוב ב-60% בכל דבר יופתע קשות מ-Chartography עם 12. צוות שקורא את השורות לפי בנצ'מרק יודע מיד עבור אילו מעומסי העבודה שלו המודל הזה לא אומן.

אותה הסתייגות חלה באופן הפוך על DaisyRose-27B. הציון שלה ב-Terminal Bench 4.1, 12.0, הוא שיפור יחסי גדול ותוצאה מוחלטת חלשה, והכרטיס כן לגבי שניהם. מספר הכותרת של אף אחד מהמודלים לא שורד מפגש עם שורות הפירוט של עצמו.

ארכיטקטורה ורישיון

שניהם יורשים את הבסיס שלהם ללא שינוי. ZWZ2-27B נושא את תצורת Qwen3.6-27B כפי שפורסמה: גודל מוסתר 5,120, 64 שכבות, 24 ראשי שאילתה ו-4 ראשי מפתח-ערך במימד 256, FFN בגודל 17,408, דפוס קשב ליניארי-מלא ביחס של שלושה לאחד החוזר על עצמו שש-עשרה פעמים, M-RoPE משתלב עם בסיס rope של עשרה מיליון, אוצר מילים של 248,320, ו-262,144 מיקומים מקוריים. מגדל הראייה שלו הוא 27 שכבות ברוחב 1,152 המקרין אל 5,120 עם טלאים בגודל 16 פיקסלים ומיזוג 2×2. אין שכבת חיזוי ריבוי-טוקנים — התצורה מגדירה זאת לאפס — ומשקלי BF16 מגיעים לבערך 54 GB בשני שברים, כאשר transformers 5.13.1 הוא המסלול המתועד.

DaisyRose-27B נושא את תצורת Qwen3.8-27B: אותו גודל מוסתר ומספר שכבות, קשב לינארי Gated DeltaNet באותו דפוס של שלוש לאחת, מקודד חזותי בנפח 0.46B, וראש חיזוי בנפח 0.42B שאין ל-ZWZ2-27B. ההקשר הוא 262,144 עבור שניהם. DaisyRose מסופק ב-BF16 בנפח של כ-52 GB, FP8 ב-29 GB ו-NVFP4 ב-23 GB עם מתכון הגשה מלא של SGLang; ZwZ2-27B מסופק ב-BF16 בלבד.

• רישיון — Apache-2.0 עבור שניהם, בירושה מהבסיסים שלהם.

• ראייה — שניהם מקבלים תמונות ומחזירים טקסט; אף אחד מהם אינו טקסט בלבד.

• כימותים — שלושה פורמטים עבור DaisyRose-27B, BF16 בלבד עבור ZwZ2-27B.

• תיעוד שירות — מתכון מפורט ל-SGLang עם פענוח ספקולטיבי עבור DaisyRose-27B; מדריך התחלה מהירה ל-transformers עבור ZwZ2-27B.

• הערכה בלתי תלויה — אין לאף אחד משני המודלים בזמן כתיבת שורות אלה.

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.

שאלת התפיסה

השיפורים של ZwZ2-27B מתרכזים בתפיסה ובחשיבה מרחבית: תפיסה עדינה עלתה ב־5.48, מרחבית ב־6.26, מרחבית מגולמת ב־5.54, ומדדים ברזולוציה גבוהה כמו HR-Bench 8K נמצאים בקבוצה הראשונה הזו. DaisyRose-27B לא מדווחת על שום מדד תפיסה כלל. מקודד הראייה שלה עבר בירושה ולא נגעו בו, ושום דבר בכרטיס לא מרמז שהתגמול עיצב אותו.

האסימטריה הזו היא ההחלטה. אם עומס העבודה שלך הוא צילום מסך, תרשים צפוף, עמוד סרוק או פריסה מרחבית, הכרטיס של ZwZ2-27B מטפל בזה ישירות והכרטיס של DaisyRose-27B לא. אם עומס העבודה שלך הוא מסוף, מאגר או מפגש ארוך של קריאות כלים, ההפך הוא הנכון: הכרטיס של DaisyRose-27B מלא בדיוק בשורות האלה, והתחום החלש ביותר של ZwZ2-27B הוא סוכנים מולטימודליים בממוצע של 51.81.

אף כרטיס אינו ראיה טובה יותר מהאחר. הם ראיות לדברים שונים, שהופקו תחת פרוטוקולים שונים, והתגובה הנכונה היא לקרוא כל אחד מהם לאור השאלה שלשמה נוצר.

להריץ אותם, ולערבב אותם

נכון להיום, לא DaisyRose-27B ולא ZwZ2-27B מתארחים ב-OrcaRouter. שניהם משקלים שאתה משרת בעצמך או מגיע אליהם דרך פלטפורמות צד שלישי, כלומר לשניהם אותה בעיה תפעולית: שני צ'קפוינטים, שתי פריסות, שני סטים של החלטות קיבולת, ואין דרך לשלוח בקשה לזה שזמין כרגע.

זהו המקרה שעבורו נבנה הניתוב. כששני מודלים מחלקים עומס עבודה לאורך קו נקי — תפיסה בצד אחד, פעולה אגנטית בצד השני — היישום בכל זאת מסיים בסיווג בקשות וקריאה לשני נקודות קצה שונות. שפת ה-DSL לניתוב של OrcaRouter מאפשרת לסיווג הזה להתקיים במקום אחד, ולהרכיב את שני המודלים למסלול קריאה יחיד, עם מעבר אוטומטי לגיבוי כך שפריסה באירוח עצמי שרוויה עוברת לנקודת קצה שנייה במקום להחזיר שגיאה. עבור צמד מודלים כה חדש וכה דל בתיעוד, מעבר לגיבוי הוא פחות עניין של זמינות ויותר עניין של לא להמר על מסלול ייצור בהתבסס על משקלים שפורסמו לפני שלושה שבועות. OrcaRouter גם מעבירה הלאה את מחיר המחירון של הספק עם תוספת של 0% עבור כל מה שאנו מארחים, כך שהחלק המתארח של פריסה מעורבת מתומחר לפי עלות ולא לפי מכפיל.

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.

באיזה דוח להסתמך לקבלת ההחלטה שלך

קח את ZwZ2-27B אם העבודה שלך היא בראש ובראשונה בתחום התפיסה ואתה רוצה מודל שהכרטיס שלו מתעד זאת על פני עשרים וחמישה מדדי ביצוע — וקרא את השורות המוחלטות, לא את הממוצע. קח את DaisyRose-27B אם העבודה שלך היא בתחום הסוכנים ואתה רוצה מודל שהכרטיס שלו מתעד שינוי התנהגותי ספציפי וניתן לאימות לעומת מודל הבסיס שממנו הוא נגזר. אל תבחר באף אחד מהם אם אתה זקוק לאימות בלתי תלוי לפני התחייבות: שתי הטבלאות מדווחות על ידי הספק, ולאף אחד מהם אין ציון של Artificial Analysis, והמספר היחיד שצוות רכש ירצה — ביצועים בעומס העבודה שלך — אינו מופיע באף אחד משני המסמכים.

ההשוואה שבאמת תהיה חשובה היא הבאה. שתי המעבדות נמצאות במודל הראשון שלהן, שתיהן בנויות על נקודות ביקורת של Qwen, ושתיהן השתמשו בלמידת חיזוק ככל סיפור האימון-המשך. אם inclusionAI תוציא ZwZ3 על Qwen3.8-27B, או RadixArk תוציא DaisyRose שנייה ששומרת על מתכון הסוכן ומוסיפה שורות תפיסה, שתי סגנונות הדיווח סוף סוף ייפגשו על בסיס משותף והשוואה ראש-בראש אמיתית תהפוך לאפשרית. עד אז, הסיכום הנכון הוא שהמודלים האלה נמדדו למטרות שונות, וההבדל בין ממוצע לחזית הוא ההבדל בין לשאול "האם זה טוב יותר באופן כללי" לבין לשאול "האם זה טוב יותר בדבר שאני צריך".