Kartu judul yang dihasilkan bertuliskan 'DaisyRose 27B vs Gemma 4 26B A4B', dengan subjudul '27.8B dibaca setiap token, 3.8B dibaca per token', di atas tiga kartu membulat yang bertuliskan 'DaisyRose: 27.8B dense, pasca-latih hanya RL', 'Gemma 4 26B A4B: total 25.2B, 3.8B aktif', dan 'Harga hosted: $0.06 untuk input, $0.33 untuk output per juta', dengan footer bertuliskan 'Angka DaisyRose menurut RadixArk, November 2026; angka Gemma menurut Google DeepMind.' Logo OrcaRouter berada di kanan bawah.
Guides & Insights

DaisyRose 27B vs Gemma 4 26B A4B: 27,8B Padat vs 3,8B Aktif

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

DaisyRose 27B dan Gemma 4 26B A4B adalah model dengan bobot yang sama dengan struktur biaya yang sepenuhnya berbeda, dan baris harga membuat hal itu konkret lebih cepat daripada benchmark mana pun. Gemma 4 26B A4B — 25,2 miliar parameter, yang 3,8 miliar di antaranya dibaca untuk setiap token — dilayani di OrcaRouter dengan $0,06 per juta token masukan dan $0,33 per juta token keluaran. DaisyRose 27B, post-train khusus reinforcement learning dari Qwen3.8-27B milik RadixArk yang diterbitkan pada 18 November 2026, adalah 27,8 miliar parameter dense dengan setiap parameternya dibaca pada setiap token, dikirimkan sebagai bobot BF16 sebesar 52 GB, tidak memiliki API yang dihosting vendor, dan memerlukan GPU pusat data agar dapat dijalankan sama sekali. Yang satu adalah model yang Anda sewa per sen. Yang lain adalah model yang Anda deploy. Semua hal lain dalam perbandingan ini mengikuti dari itu.

Gambaran benchmark ini benar-benar menarik dan benar-benar tidak lengkap: kedua model hanya berbagi tepat dua baris publik, GPQA Diamond dan Humanity's Last Exam, dan pada keduanya DaisyRose 27B unggul dengan selisih yang jauh lebih lebar daripada perbedaan parameter. Apakah selisih itu bertahan saat dihadapkan pada harness bersama adalah pertanyaan yang tidak dapat dijawab halaman ini, dan halaman ini menyatakannya.

Nama itu adalah spesifikasi

Label Gemma 4 26B A4B memuat kebijakan peruteannya, dan kartu milik Google sendiri menyatakan secara langsung: "'A' dalam 26B A4B adalah singkatan dari 'parameter aktif' sebagai lawan dari jumlah total parameter yang dimiliki model."

• Total parameter — 25,2B. • Aktif per token — 3,8B. • Tata letak pakar — 8 dari 128 pakar aktif ditambah 1 pakar bersama, dipilih per token. Pakar bersama selalu dibaca, itulah sebabnya jumlah aktif bukan sekadar 8/128 dari total. • Lapisan — 30, dengan jendela geser 1.024 token.

DaisyRose 27B tidak memiliki struktur seperti itu untuk dijelaskan. Ini adalah transformer dense: 27,8B parameter, 0,46B di antaranya adalah encoder visi dan 0,42B adalah kepala prediksi multi-token, tanpa router antara input dan komputasi. Setiap token membayar untuk setiap bobot.

Konsekuensi praktisnya adalah satu angka yang membedakan model-model ini lebih dari tolok ukur apa pun. Model sparse dengan 3,8B aktif berjalan mendekati kecepatan model 4B sekaligus membawa memori sebesar model 25B — kartu Google menyatakannya secara terang-terangan, menggambarkan varian MoE itu berjalan "hampir secepat model 4B parameter." Model dense 27,8B berjalan dengan kecepatan model 27,8B, dan belum ada yang menerbitkan kecepatan itu: kartu RadixArk tidak memuat angka token per detik untuk konfigurasi perangkat keras apa pun.

Apa yang dibeli RL, dan apa yang tidak.

Pelatihan DaisyRose 27B adalah bagian dari perbandingan ini yang tidak memiliki padanan di sisi Gemma. RadixArk hanya menggunakan pembelajaran penguatan — tanpa tahap fine-tuning terawasi, tanpa distilasi — pada sekitar 1.200 tugas agen cakrawala panjang terkurasi yang dibangun dengan Eigent AI, dengan sesi berjalan hingga satu juta token, selama delapan belas hari pada 144 H200 dan sekitar 63.000 jam GPU. Tujuannya bukan peningkatan kemampuan umum, melainkan yang spesifik: membuat model 27B lebih baik dalam siklus membaca tugas, memanggil alat, membaca hasil, dan memperbaiki kesalahan.

Itu muncul di baris-baris tempat kedua model benar-benar dapat dibandingkan, dan itu tidak muncul secara seragam.

• GPQA Diamond — DaisyRose 27B 90,7 dibandingkan dengan Gemma 4 26B A4B 82,3. Keduanya dilaporkan oleh vendor: angka RadixArk berasal dari delapan kali pengujian pada 198 pertanyaan dengan templat simple-evals dan urutan jawaban yang diacak ulang; angka Google adalah satu angka yang dipublikasikan di kartu model.

• Humanity's Last Exam, tanpa alat — DaisyRose 27B 34,3 versus 8,7 milik Gemma 4 26B A4B. Ini adalah celah terlebar di kedua tabel dan yang paling harus dicurigai, karena konfigurasinya berbeda: RadixArk menjalankan lima percobaan per soal dengan GPT-6 Luna sebagai penilai dan tanpa alat; angka 8,7 milik Google adalah angka tanpa alat, dengan 17,2 saat model diizinkan menggunakan alat pencarian.

Dua baris bukanlah perbandingan, dan tidak ada vendor yang menjalankan harness milik vendor lain. Yang disiratkan oleh selisih HLE — dan ini hanyalah indikasi, bukan pengukuran — adalah bahwa post-train yang diarahkan pada sesi agentik panjang bertransfer ke pertanyaan penalaran sulit dengan cara yang tidak dilakukan oleh arsitektur sparse yang dipretrain untuk kemampuan luas. Yang tidak ditunjukkannya adalah bahwa efeknya sebesar 25 poin, karena harness-nya berbeda dan salah satu dari dua angka tersebut berasal dari model yang diberi alat dalam konfigurasi yang lebih baik.

A screenshot of the Hugging Face model card for google/gemma-4-26B-A4B-it, showing the repository header, the mixture-of-experts description with 25.2B total and 3.8B active parameters, the 256K-token context, the Apache 2.0 licence and the benchmark table.

Baris yang hanya dimiliki satu sisi

Kedua kartu tersebut menerbitkan tolok ukur yang tidak diterbitkan oleh kartu lainnya, dan asimetri itu sendiri informatif tentang apa yang dianggap layak dibuktikan oleh masing-masing vendor.

Gemma 4 26B A4B menerbitkan tabel kapabilitas umum lengkap: MMLU Pro 82.6, AIME 2026 tanpa alat 88.3, LiveCodeBench v6 77.1, Codeforces ELO 1718, Tau2 dengan rata-rata dari tiga 68.2, BigBench Extra Hard 64.8, MMMLU 86.3, MMMU Pro 73.8, MATH-Vision 82.4, dan MRCR v2 pada delapan needle dan konteks 128K 44.1. Tidak ada baris Terminal Bench, SWE-bench, dan IFBench pada kartu tersebut.

DaisyRose 27B justru menerbitkan kumpulan agentic dan instruction-following: Terminal Bench 4.1 12.0 terhadap basis 5.6, Terminal Bench 2.1 75.5, DeepSWE v1.1 46.2, SWE Bench Pro v2 94.7 dan IFBench 82.4. Tidak ada MMLU Pro, tidak ada AIME dan tidak ada baris Codeforces pada kartu tersebut.

Dibaca bersama-sama, kedua tabel tersebut menggambarkan produk yang berbeda. G​oogle menerbitkan model umum dan membuktikannya di seluruh rangkaian akademik standar. RadixArk menerbitkan model agen dan membuktikannya di seluruh rangkaian agentik standar. Tumpang tindihnya adalah dua baris dari sekitar dua puluh, dan pembeli yang memilih di antara keduanya terutama memilih rangkaian mana yang mereka pedulikan — keputusan yang jauh lebih sederhana daripada yang tampak dari kolom skor.

Di mana masing-masing berjalan

Ini adalah bagian yang menentukan perbandingan bagi sebagian besar pembaca, karena kisah penerapannya sama sekali tidak bersinggungan.

• Gemma 4 26B A4B — di-host hari ini dengan harga $0,06 per juta token input dan $0,33 per juta token output di OrcaRouter, bersama build arsitektur yang sama yang di-host oleh Obsidian. Bobot terbuka berlisensi Apache 2.0, dalam bfloat16 (sekitar 51,6 GB di dua shard), GGUF Q4_0 yang dilatih dengan kesadaran kuantisasi sehingga dapat berjalan di satu kartu konsumen, build compressed-tensors w4a16 untuk vLLM, dan drafter multi-token-prediction untuk speculative decoding. Postingan keluarga Google menjelaskan bahwa dua ukuran yang lebih besar dapat muat "secara efisien pada satu GPU NVIDIA H100 80GB."

• DaisyRose 27B — BF16 sekitar 52 GB, FP8 sekitar 29 GB, NVFP4 sekitar 23 GB dan hanya untuk Blackwell, plus drafter speculative-decoding DSpark untuk SGLang. RadixArk mencantumkan deployment GPU tunggal pada H200, B200, GB300, RTX PRO 6000, RTX 5090, dan DGX Spark. Tidak ada harga API hosted; listing pihak ketiga mencantumkan $0.15 per juta token input dan $1.88 per juta token output, yang merupakan posisi pembuka satu host, bukan tarif vendor.

Angka-angka itu menempatkan selisih biaya hosted sekitar dua setengah kali pada input dan hampir enam kali pada output, menguntungkan pihak ketiga. Itu adalah perbandingan yang jujur pada harga daftar. Itu juga perbandingan yang berubah begitu beban kerjanya panjang: model sparse terus membayar 3,8B komputasi per token sementara model dense membayar 27,8B, sehingga selisihnya melebar dalam latensi dan dalam detik perangkat keras jauh sebelum melebar dalam dolar per juta token.

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 26B A4B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; active per token 27.8B; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; hosted price none, self-host only. Right column Gemma 4 26B A4B: parameters 25.2B total; active per token 3.8B; context 256K tokens; GPQA Diamond 82.3; HLE no tools 8.7; hosted price $0.06 in, $0.33 out per million. A footer reads 'Vendor-reported on both sides; harnesses differ, no shared run.' The OrcaRouter logo sits in the bottom-right.

Berapa nilai pelatihan agentic per dolar

Versi menarik dari perbandingan ini bukanlah "model mana yang mendapat skor lebih tinggi", melainkan "berapa biaya peningkatan agentic per tugas." Model RadixArk ada karena model dasarnya, Qwen3.8-27B, mendapat skor 5,6 pada Terminal Bench 4.1 dan 12,0 setelah pasca-pelatihan. Jika Anda menjalankan agen coding yang mengeksekusi perintah, itulah perbedaan antara model yang sebagian besar tidak mampu dan model yang kadang-kadang mampu, dan penggandaan angka yang kecil bernilai uang nyata bagi pembeli yang tepat.

Gemma 4 26B A4B sama sekali tidak memiliki angka Terminal Bench, sehingga klaim nilai tidak dapat diukur dari data publik. Yang dimilikinya adalah harga yang membuat eksperimen menjadi murah: pada $0.06 per juta token input, Anda dapat menjalankan beberapa ribu trajektori agen dengan biaya setara satu jam H200, dan mengetahui apakah model gagal dengan cara yang penting bagi beban kerja Anda. Arsitektur sparse membuatnya murah dua kali lipat — harga token rendah dan token kembali dengan cepat.

Itulah bentuk keputusan yang sebenarnya. DaisyRose 27B adalah model spesialis hasil post-train dengan klaim agentic spesifik yang dilaporkan vendor dan tanpa harga hosted. Gemma 4 26B A4B adalah model umum dengan tabel kemampuan terbitan yang luas, profil inferensi yang cepat, dan harga daftar dalam satuan sen per juta token. Jika tugas Anda adalah penggunaan alat jangka panjang dan Anda dapat meng-host sendiri, model spesialis itu layak dijadikan benchmark. Jika tugas Anda hal lain, atau Anda tidak dapat meng-host, model umum seharga $0.06 menang pada satu-satunya aspek yang penting.

Menjalankan keduanya dari satu kunci

Gemma 4 26B A4B tersedia di OrcaRouter hari ini dengan google/gemma-4-26b-a4b-it, disajikan dengan harga $0.06 per juta token masukan dan $0.33 per juta token keluaran, dengan konteks 262.144 token serta masukan teks, gambar, dan video. DaisyRose 27B tidak ada dalam katalog pada saat penulisan dan halaman ini tidak akan menyiratkan sebaliknya — ini adalah rilis yang dihosting sendiri melalui SGLang, vLLM, dan Docker.

Namun, versi dasarnya ada. Qwen3.8-27B dilayani sebagai qwen/qwen3.8-27b dengan tarif $0,33 per juta token input dan $2,40 per juta token output, dengan konteks 262.144 token yang sama dan menara visi yang sama yang dipertahankan oleh pasca-latihan. Itu memberi pembaca dua hal berguna: baseline dari keluarga yang sama untuk dijalankan pada prompt mereka sendiri sebelum memutuskan apakah pasca-latihan RL layak diterapkan, dan rute cadangan. Jika instans DaisyRose yang dihosting sendiri mengalami timeout sandbox, aturan perutean dapat meneruskan panggilan ke model dasar alih-alih membuangnya, dan karena kami meneruskan harga daftar penyedia dengan markup 0%, perubahan harga dari sisi vendor di kedua ujung mencapai kunci yang sama pada hari perubahan itu berlaku.

Langkah berikutnya yang paling murah bukanlah sebuah benchmark: melainkan menjalankan Gemma 4 26B A4B dan Qwen3.8-27B pada jejak agen Anda sendiri, dalam urutan itu — model murah lebih dulu, untuk melihat di mana tugas Anda sebenarnya patah, lalu baseline yang lebih mahal untuk melihat apakah kepatahan itu adalah kesalahan model dasar. Baru setelah itu sebuah post-train RL selama delapan belas hari punya sesuatu untuk dijadikan pembanding pembuktian.

Dibandingkan dalam artikel ini1

Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari