
DaisyRose 27B vs Gemma 4 31B: Dua Model Dense, Dua Tugas yang Berbeda
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 184 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 494 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 385 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 94 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
DaisyRose 27B dan Gemma 4 31B adalah pasangan yang paling mirip dalam keluarga perbandingan ini: keduanya model dense, keduanya berukuran antara 27 dan 31 miliar parameter, keduanya multimodal dengan konteks 256K token, keduanya Apache 2.0, dan keduanya menyertakan drafter speculative decoding bersama bobotnya. Berdasarkan bukti yang dipilih vendor masing-masing untuk dipublikasikan, keduanya juga ditujukan untuk pembeli yang berbeda. Gemma 4 31B adalah generalist dari Google DeepMind — model dense 30,7B dengan mode berpikir yang dapat dikonfigurasi, pemanggilan fungsi native, lebih dari 140 bahasa, dan tabel kemampuan empat belas baris yang mencakup segala hal dari AIME hingga parsing dokumen. DaisyRose 27B adalah spesialis dari RadixArk, diterbitkan pada 18 November 2026, dilatih pasca-pelatihan hanya dengan pembelajaran penguatan pada tugas agen berhorizon panjang, dan dibuktikan pada tabel agentic lima baris. Bentuk kedua model hampir identik; bukti yang ditawarkan masing-masing vendor hampir tidak tumpang tindih.
Hanya satu benchmark di kedua tabel yang memuat kedua nama itu: GPQA Diamond, di mana DaisyRose 27B melaporkan 90,7 dan Gemma 4 31B melaporkan 84,3. Selisih enam setengah poin pada ujian sains tingkat pascasarjana dari model dengan 2,9 miliar parameter lebih sedikit adalah headline yang dimiliki halaman ini, dan sisanya membahas mengapa headline itu lebih tipis daripada kelihatannya.
Dua arsitektur yang tampak mirip
Singkirkan brandingnya, dan lembar spesifikasinya lebih banyak tumpang tindih dibandingkan perbandingan lain mana pun di seri ini.
• Parameter — DaisyRose 27B 27,8B dense, di mana 0,46B adalah encoder visi dan 0,42B adalah kepala prediksi multi-token, dibandingkan dengan Gemma 4 31B pada 30,7B dense dengan encoder visi sekitar 550M parameter. Tidak ada perutean pakar di kedua sisi, sehingga jumlah parameter aktif sama dengan total pada keduanya.
• Konteks — 262.144 token untuk DaisyRose 27B; 256K untuk Gemma 4 31B. Dalam praktiknya, batas maksimalnya sama.
• Modalitas — teks dan gambar masuk, teks keluar, pada keduanya. Audio tidak tersedia pada kedua ukuran; di sisi Gemma, audio terbatas pada anggota keluarga E2B, E4B, dan 12B.
• Lisensi — Apache 2.0 pada keduanya, dinyatakan di kedua kartu model.
• Teknik konteks panjang — Gemma 4 31B mencapainya dengan 60 lapisan, jendela geser lokal 1.024 token yang diselang-seling dengan atensi global penuh, kunci dan nilai yang disatukan di lapisan global, serta RoPE proporsional. DaisyRose 27B mewarisi arsitektur Qwen3.8-27B tanpa perubahan, yang merupakan gagasan atensi hibrida yang sama tetapi dicapai dari garis keturunan desain yang berbeda.
Dua area tempat keduanya benar-benar berbeda adalah area yang menentukan untuk apa model itu digunakan. Gemma 4 31B menyertakan mode berpikir yang dapat Anda konfigurasi, pemanggilan fungsi native, dan dukungan eksplisit untuk peran sistem. DaisyRose 27B menyertakan templat obrolan yang identik dengan templat model dasarnya dan proses pelatihan yang menghabiskan seluruh anggarannya untuk perilaku terminal-dan-alat alih-alih untuk keluasan cakupan.
Satu-satunya baris yang mereka miliki bersama
GPQA Diamond, 198 pertanyaan sains tingkat pascasarjana, adalah satu-satunya tolok ukur yang diterbitkan kedua kartu, dan konfigurasi di balik kedua angka tersebut bukanlah pengukuran yang sama.
Angka 90,7 milik DaisyRose 27B berasal dari delapan kali pengujian pada 198 pertanyaan menggunakan templat simple-evals, dengan urutan jawaban diacak ulang setiap kali, dan dilaporkan sebagai hasil yang lebih baik di antara run BF16 dan FP8-nya. Angka 84,3 milik Gemma 4 31B adalah satu angka tunggal pada kartu model Google, tanpa jumlah run yang dinyatakan dan tanpa harness yang dinyatakan dalam tabel itu sendiri.
Jadi kesenjangannya nyata dalam arti kedua vendor menerbitkan angka dengan nama benchmark yang sama, dan lunak dalam arti satu pihak memiliki delapan run serta protokol pengacakan ulang sementara metodologi pihak lain hanya catatan kaki. Enam setengah poin kira-kira setara tiga puluh tiga pertanyaan dari 198. Itu lebih besar daripada noise sampling pada kumpulan 198 pertanyaan, tetapi perbedaan harness sebesar itu bukan hal yang tak pernah terdengar, dan tidak ada vendor yang telah menjalankan evaluasi milik pihak lain.
Yang membuat baris ini lebih menarik daripada satu skor adalah posisinya relatif terhadap basis masing-masing model. DaisyRose 27B meningkatkan GPQA Diamond dari 89,2 menjadi 90,7 dibandingkan Qwen3.8-27B — kenaikan 1,5 poin dari delapan belas hari reinforcement learning. Gemma 4 31B mencetak 84,3, yaitu 2 poin di atas 82,3 milik saudaranya, 26B A4B. Pada benchmark ini, kedua model mendekati posisi yang diberikan oleh pretraining mereka, dan post-training tidak banyak menggeser keduanya. Jika Anda memilih di antara keduanya untuk ilmu pascasarjana, selisih enam poin sebagian besar merupakan selisih model dasar, bukan selisih resep pelatihan.

Tabel yang hanya diisi oleh satu pihak
Di sini perbandingan berhenti menjadi perbandingan dan menjadi pilihan bukti. Google menerbitkan tabel kemampuan umum dan RadixArk menerbitkan tabel agentic, dan keduanya tidak tumpang tindih satu sama lain.
Kartu Gemma 4 31B memuat MMLU Pro 85,2, AIME 2026 tanpa alat 89,2, LiveCodeBench v6 80,0, Codeforces ELO 2150, Tau2 76,9, HLE tanpa alat 19,5 dan dengan pencarian 26,5, BigBench Extra Hard 74,4, MMMLU 88,4, MMMU Pro 76,9, MATH-Vision 85,6, MedXPertQA MM 61,3, OmniDocBench 1.5 pada 0,131, dan MRCR v2 pada delapan needle dan konteks 128K 66,4. Tidak ada baris Terminal Bench, tidak ada baris SWE-bench, dan tidak ada baris IFBench.
Kartu DaisyRose 27B memuat Terminal Bench 4.1 sebesar 12.0 dibandingkan baseline 5.6, Terminal Bench 2.1 sebesar 75.5, DeepSWE v1.1 sebesar 46.2, SWE Bench Pro v2 sebesar 94.7, dan IFBench sebesar 82.4, plus HLE khusus teks sebesar 34.3 dan GPQA Diamond sebesar 90.7. Tidak ada MMLU Pro, tidak ada AIME, tidak ada Codeforces, dan tidak ada baris benchmark visi sama sekali — meskipun model tersebut membawa encoder visi.
Dua asimetri dalam pasangan itu perlu disebutkan. Yang pertama adalah HLE: RadixArk melaporkan 34,3 tanpa alat, Google melaporkan 19,5 tanpa alat dan 26,5 dengan pencarian. Bahkan dengan memberikan konfigurasi berbantuan alat kepada Gemma 4 31B, angka DaisyRose 27B lebih tinggi hampir delapan poin — tetapi penilainya berbeda, karena RadixArk menggunakan GPT-6 Luna pada lima kali uji per soal sementara Google tidak menyatakan pengaturan penilaiannya. Yang kedua adalah visi: DaisyRose 27B menyertakan encoder visi 0,46B dan tidak menerbitkan tolok ukur visi sama sekali, sehingga kemampuan multimodalnya tidak terukur secara publik. Gemma 4 31B menerbitkan MMMU Pro, MATH-Vision, OmniDocBench dan MedXPertQA. Jika Anda membutuhkan pemahaman gambar, salah satu model ini memiliki bukti dan yang lain memiliki encoder.
Memori, format, dan berapa biaya setiap unduhan
Kedua model berukuran 52 hingga 63 GB pada presisi penuh, yang menempatkan keduanya dalam kelas perangkat keras yang sama dan menjadikan daftar format sebagai bagian yang berguna dari perbandingan tersebut.
• DaisyRose 27B — BF16 sekitar 52 GB, FP8 sekitar 29 GB, NVFP4 sekitar 23 GB dan khusus Blackwell, plus RadixArk/Qwen3.8-27B-DSpark sebagai drafter speculative-decoding untuk SGLang. Konfigurasi referensinya adalah empat replika data-parallel pada node empat GPU dengan tensor parallelism 1, konteks 262.144 token, dan cache KV FP8. RadixArk mencantumkan deployment GPU tunggal pada H200, B200, GB300, RTX PRO 6000, RTX 5090, dan DGX Spark.
• Gemma 4 31B — bfloat16 dalam dua shard safetensors berukuran sekitar 49,8 GB dan 12,8 GB, totalnya sekitar 62,5 GB. GGUF QAT Q4_0 sebesar 17,7 GB ditambah proyektor visi 1,2 GB, kira-kira 18,9 GB sebelum KV cache, yang menempatkan bagian atas dense dari lini Gemma pada satu kartu konsumen 24 GB. Build compressed-tensors QAT w4a16 sebesar 23,3 GB untuk vLLM, checkpoint Q4_0 tanpa kuantisasi yang membawa bobot QAT tanpa packing, dan drafter prediksi multi-token sebesar 0,94 GB.
Baris GGUF adalah perbedaan konkretnya. Google menyediakan build 4-bit buatannya sendiri yang muat di kartu 24 GB; RadixArk menyediakan tiga presisi dan mengharapkan Anda menyajikannya melalui SGLang. Bagi tim yang memiliki workstation tetapi tidak memiliki stack penyajian, itu bukan pilihan yang sulit — satu unduhan langsung berjalan, yang lain memerlukan deployment.
Satu detail yang merepotkan: kartu Gemma mengharuskan asisten speculative decoding untuk cocok dengan presisi checkpoint target, jadi drafter 0.94 GB dipasangkan dengan target QAT 31B, bukan rilis bfloat16. Drafter RadixArk dinamai untuk Qwen3.8-27B dan dipasangkan dengan build FP8 milik DaisyRose 27B sendiri.

Biaya, dan yang memiliki harga
Gemma 4 31B tersedia di OrcaRouter hari ini sebagai google/gemma-4-31b-it dengan harga $0.13 per juta token input dan $0.38 per juta token output, dengan thinking yang dapat dikonfigurasi, pemanggilan fungsi native, dan konteks 256K. Sufiks -it adalah bagian dari string yang diteruskan oleh klien.
DaisyRose 27B tidak memiliki harga yang dihosting vendor. Situs RadixArk menjelaskan pelatihan dan penyajian untuk lab lain dan tidak menerbitkan endpoint DaisyRose; kartu model hanya mengarah ke self-hosting melalui SGLang, vLLM, dan Docker. Daftar pihak ketiga mengutip $0,15 per juta input dan $1,88 per juta output, yang merupakan posisi pembuka satu host, bukan tarif vendor.
Jika dibandingkan secara berdampingan, perbandingan hosted berjalan berlawanan arah dengan tabel benchmark: Gemma 4 31B dengan tiga belas sen per juta input dibandingkan lima belas sen dari host pihak ketiga, tetapi tiga puluh delapan sen dibandingkan satu dolar delapan puluh delapan sen pada output. Pada beban kerja yang didominasi generasi, itu adalah perbedaan lima kali lipat yang menguntungkan model yang lebih besar, dan hal itu ada karena alasan struktural — Gemma 4 31B memiliki tier hosted mapan dengan beberapa penyedia yang bersaing di dalamnya, sementara DaisyRose 27B hanya memiliki satu host dan riwayat tiga hari.

Untuk pekerjaan apa setiap model dibuat
Ringkasan yang jujur adalah bahwa model-model ini tidak bersaing untuk pembelian yang sama, dan tabel tolok ukur membuktikannya dengan menolak untuk tumpang tindih.
Gemma 4 31B adalah model yang Anda inginkan jika Anda membutuhkan cakupan luas: mode berpikir yang dapat diturunkan, pemanggilan fungsi yang berfungsi dengan skema alat yang sudah ada, lebih dari 140 bahasa, evaluasi visi yang dipublikasikan, build terkuantisasi yang berjalan di workstation, dan harga hosted tiga belas sen per juta token masukan. Ini adalah pilihan aman untuk produk umum, dan biaya jika salah hanya beberapa dolar pengeluaran API.
DaisyRose 27B adalah model yang Anda inginkan jika Anda membangun agen terminal dan dapat menghostingnya. Angka Terminal Bench 4.1-nya lebih dari dua kali lipat model dasarnya sendiri, SWE Bench Pro v2-nya berada di 94,7, dan IFBench-nya di 82,4 adalah yang tertinggi di kartu perbandingan RadixArk. Setiap angka itu dilaporkan vendor, tidak satu pun telah direproduksi secara independen, dan model ini baru berusia tiga hari. Namun bentuk klaimnya cukup spesifik untuk diuji: jalankan trace agen Anda sendiri terhadap Qwen3.8-27B — tersedia sebagai qwen/qwen3.8-27b dengan $0,33 per juta token input dan $2,40 per juta token output, konteks 262.144 token dan menara visi yang sama — dan lihat apakah mode kegagalan yang dilatih RadixArk untuk dihilangkan adalah mode yang benar-benar Anda temui.
Itu juga cara termurah untuk memutuskan di antara keduanya. Gemma 4 31B dan Qwen3.8-27B berada di balik satu kunci OrcaRouter tanpa kontrak kedua dan tanpa perubahan kode, dengan markup 0% di atas harga daftar masing-masing penyedia, sehingga perubahan harga di salah satu sisi sampai kepada Anda pada hari yang sama saat diberlakukan. Jika Gemma 4 31B menangani loop agen Anda, selesai sudah dengan tiga belas sen. Jika tidak, dan model dasar gagal di tempat yang sama, maka post-train RL selama delapan belas hari pada H200 adalah hal berikutnya yang layak dibayar — dan saat itu Anda akan tahu apa yang ingin Anda perbaiki dengan membelinya.
