
DaisyRose 27B vs Granite 4.2 30B: 46 Poin, Dua Harness
- 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 Granite 4.2 30B sama-sama melaporkan skor pada Terminal Bench 2.1. DaisyRose 27B, post-train Qwen3.8-27B milik RadixArk yang hanya menggunakan pembelajaran penguatan, yang diterbitkan pada 18 November 2026, mencetak skor 75,5 dibandingkan 73,0 dari model dasarnya. Granite 4.2 30B, model padat 30 miliar parameter milik IBM yang dirilis pada 25 Agustus 2026, mencetak skor 29,24. Itu adalah selisih 46 poin pada nama benchmark yang sama, antara dua model padat berukuran hampir identik, dan kesimpulan yang wajar — bahwa DaisyRose 27B dua setengah kali lebih baik dalam pekerjaan terminal agentik — hampir pasti keliru. Kedua angka itu tidak dihasilkan dengan cara yang sama, dan halaman ini sebagian besar membahas bagaimana selisih 46 poin bisa lebih kecil daripada yang terlihat.
Kedua model ini memiliki lebih banyak kesamaan daripada yang disiratkan oleh selisih tersebut: keduanya dense, keduanya sekitar 30 miliar parameter, keduanya Apache 2.0, keduanya rilis open-weight tanpa harga API yang dihosting vendor untuk dikutip, keduanya dilatih secara khusus untuk penggunaan alat agentic di dalam sandbox. Keduanya adalah pasangan yang paling cocok dalam seri ini berdasarkan arsitektur dan tujuan, yang justru menjadi alasan angka-angka pada kartu mereka layak dibaca dengan cermat alih-alih dikurangkan.
Anatomi selisih 46 poin
Mulailah dengan apa yang dikatakan setiap vendor tentang bagaimana angka itu dibuat, karena kedua kartu tersebut luar biasa eksplisit dan mereka menjelaskan pengukuran yang berbeda.
• DaisyRose 27B — lima percobaan per tugas pada harness Terminus 2. Kartu perbandingan mencantumkan Terminus 2 secara eksplisit dan menyatakan jumlah percobaan. Pengambilan sampel menggunakan temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh, dan skor yang dipublikasikan adalah yang lebih baik di antara run BF16 dan FP8.
• Granite 4.2 30B — 29,24 pada Terminal-Bench 2.1, dilaporkan sebagai satu baris tabel di kartu model. Kartu tersebut mendokumentasikan pelatihan agentic keluarga model ini secara terperinci — satu putaran kedua supervised fine-tuning pada data rekayasa perangkat lunak agentic yang di-upsample, lalu reinforcement learning agentic di dalam sandbox yang mengerjakan tugas-tugas bergaya SWE-bench, operasi terminal, dan pencarian web — tetapi baris Terminal-Bench itu sendiri tidak mencantumkan jumlah run, nama harness, maupun konfigurasi sampling.
Asimetri itu adalah inti dari cerita 46 poin. Satu vendor menerbitkan skor yang sangat terinstrumentasi pada upaya penalaran maksimum selama lima run; pihak lain menerbitkan satu sel tabel. Hasil Terminal-Bench pada upaya penalaran xhigh dapat bergeser puluhan poin terhadap model yang sama pada pengaturan default, karena benchmark tersebut adalah rangkaian perintah shell di mana model yang berpikir lebih lama mendapat lebih banyak kesempatan untuk pulih dari kesalahannya sendiri. Membandingkan angka upaya terbaik, upaya tinggi, lima run dengan satu angka tanpa kualifikasi sama sekali bukanlah perbandingan.
Ada asimetri kedua, yang lebih halus dan lebih menarik. Model dasar milik DaisyRose 27B sendiri, Qwen3.8-27B, mencetak 73,0 pada baris yang sama di kartu yang sama. Jadi, pasca-pelatihan RadixArk meningkatkan Terminal Bench 2.1 sebesar 2,5 poin, sementara selisih 46 poin terhadap Granite terdiri atas 44 poin perbedaan model dasar dan 2 poin pelatihan. Segala hal yang memisahkan kedua vendor ini pada benchmark ini terletak pada titik awal, bukan pada pembelajaran penguatan.
Di mana meja-meja itu bertemu
Dua baris lagi dibagikan, dan keduanya lebih dapat dibandingkan daripada Terminal-Bench.
• GPQA Diamond — DaisyRose 27B 90,7 di delapan run pada 198 pertanyaan dengan urutan jawaban yang diacak ulang; Granite 4.2 30B 66,41. Selisih 24 poin yang tidak dapat dijelaskan secara masuk akal oleh perbedaan harness apa pun. Skor base DaisyRose 89,2, sehingga pasca-pelatihan menambahkan 1,5 poin ke model base yang sudah jauh lebih unggul.
• IFBench — DaisyRose 27B 82.4 pada empat run terhadap 300 prompt dengan scorer resmi allenai, akurasi ketat tingkat prompt tanpa menyertakan thinking; Granite 4.2 30B 77.17, dilabeli "prompt" pada kartu. Selisih 5 poin, dan hal yang paling mendekati seri sejati di kedua kartu.
Angka GPQA adalah angka yang seharusnya mengubah cara pembaca memandang perbandingan ini. Granite 4.2 30B adalah model yang dibangun IBM untuk pekerjaan agentik perusahaan — dua belas bahasa yang diuji, tiga mode penalaran, pemanggilan alat, konteks native 128K yang dapat diperluas hingga 512K — dan mencetak 66,41 pada sains tingkat pascasarjana. DaisyRose 27B mencetak 90,7. Apa pun catatan keberatan seputar harness pada Terminal-Bench, pertanyaan sains pascasarjana tidak memiliki harness yang dapat menggeser 24 poin, dan pembacaan yang jujur adalah bahwa model dasar RadixArk, Qwen3.8-27B pada 89,2, jelas merupakan model penalaran yang lebih kuat daripada model dasar yang menjadi titik awal IBM.

Dua gagasan yang sangat berbeda tentang pelatihan agentik
Kedua model dilatih untuk bekerja di dalam sandbox, dan kedua deskripsi tentang pelatihan itu adalah bagian yang paling mengungkap dari masing-masing kartu.
Pendekatan RadixArk adalah mengubah sesedikit mungkin. DaisyRose 27B mempertahankan arsitektur, tokenizer, templat chat, menara visi, dan konteks 262.144 token milik Qwen3.8-27B tanpa perubahan, lalu menerapkan pembelajaran penguatan pada sekitar 1.200 tugas berhorizon panjang terkurasi yang dibangun dengan Eigent AI — tugas yang dirancang untuk merangkai beberapa masalah, menolak peretasan reward, dan berjalan dalam sesi hingga satu juta token. Delapan belas hari, 144 H200, 63.000 jam GPU, sekitar 944.000 sandbox. Tanpa fine-tuning terawasi, tanpa distilasi.
Pendekatan IBM adalah mengubah perilaku secara bertahap. Keluarga Granite 4.2 30B menerima proses fine-tuning tersupervisi putaran kedua pada data rekayasa perangkat lunak agentik yang di-upsample, lalu reinforcement learning agentik yang menjalankan model di dalam sandbox pada tugas bergaya SWE-bench, operasi terminal, dan pencarian web. Kartu model tersebut secara eksplisit menyatakan bahwa 30B adalah model dengan performa terkuat dalam keluarga itu untuk pekerjaan yang intensif penalaran dan agentik. Kartu itu juga memuat tabel kemampuan umum yang lengkap, dua belas bahasa yang diuji, tiga mode berpikir, dan chain-of-thought bawaan.
Tidak ada deskripsi pelatihan vendor mana pun yang memprediksi profil benchmark vendor lainnya, dan itulah yang ditunjukkan tabel: DaisyRose 27B memimpin secara meyakinkan pada baris-baris yang padat penalaran dan tidak memublikasikan apa pun tentang multilingual atau vision; Granite 4.2 30B memublikasikan hasil di seluruh rangkaian enterprise — 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 — dan mencetak 66.41 pada bidang sains tempat keduanya tumpang tindih.
Konteks, memori, dan kisah penerapan
Ekstensi 512K Granite adalah pembeda nyata yang tidak tertangkap oleh satu baris benchmark pun, dan ada baiknya bersikap tepat tentang apa yang diklaim kartu: 128K native, "ekstensi konteks panjang hingga 512K", dengan tabel model mencantumkan panjang sekuens 131.072. Ekstensi tidak sama dengan native, dan angka RULER pada kartu menunjukkan biayanya — 89,96 pada 64K versus 81,38 pada 128K untuk model yang sama. DaisyRose 27B mengambil posisi berlawanan: 262.144 token datar tanpa varian konteks panjang, diwarisi dari Qwen3.8-27B, dan RadixArk mencatat bahwa proses berpikir panjangnya sendiri mencapai puluhan ribu token, yang merupakan tempat sebagian besar jendela itu digunakan dalam praktik.
• Bobot DaisyRose 27B — BF16 sekitar 52 GB, FP8 sekitar 29 GB, NVFP4 sekitar 23 GB dan hanya untuk Blackwell, plus drafter speculative-decoding Qwen3.8-27B-DSpark. RadixArk merekomendasikan SGLang dengan DSpark dan menerbitkan konfigurasi referensi empat GPU dengan cache KV FP8.
• Bobot Granite 4.2 30B — sekitar 29B disimpan dalam bfloat16, Apache 2.0, dengan kuantisasi FP8, NVFP4/MXFP4, dan GGUF yang disertakan bersama rilis BF16. Pada 30B dense, ukurannya berada di kelas memori yang hampir sama dengan build BF16 DaisyRose, jadi keduanya tidak memiliki keunggulan jejak memori yang layak diperdebatkan.
Perbedaan dalam penerapan terletak pada dukungan, bukan pada ukuran. Granite 4.2 30B sudah dapat diunduh dan dijalankan selama tiga bulan, memiliki kuantisasi yang diterbitkan oleh IBM untuk beberapa runtime, dan memiliki ekosistem orang-orang yang sudah mengalami mode kegagalannya. DaisyRose 27B baru berumur tiga hari, memiliki tiga presisi, satu jalur penyajian yang direkomendasikan, dan tidak ada angka throughput yang diterbitkan untuk konfigurasi perangkat keras apa pun.

Tidak satu pun dari keduanya berada di endpoint yang di-hosting di sini.
Ini adalah bagian paling tidak memuaskan dari perbandingan ini dan perlu dinyatakan secara terus terang: baik DaisyRose 27B maupun Granite 4.2 30B tidak muncul di katalog OrcaRouter pada saat penulisan. RadixArk tidak menerbitkan API DaisyRose yang di-hosting dan mengarahkan ke SGLang, vLLM, dan Docker; Granite 4.2 30B dari IBM adalah rilis open-weight yang jalur praktisnya adalah self-hosting, tanpa tarif vendor untuk dikutip. Daftar pihak ketiga untuk DaisyRose mencantumkan $0,15 per juta token input dan $1,88 per juta output, yang merupakan posisi pembuka host, bukan harga vendor, dan harus dibaca sebagai demikian.
Apa artinya bagi pembaca yang mencoba memutuskan adalah bahwa perbandingan ini tidak dapat diselesaikan hanya dengan mengganti base URL. Kedua model membutuhkan GPU, dan saran jujurnya adalah jalankan eksperimen yang lebih murah terlebih dahulu: jika beban kerja Anda cocok dengan konteks native 128K Granite 4.2 30B dan tabel kemampuan yang dipublikasikan, model itu memiliki tiga bulan kesalahan orang lain di belakangnya dan Anda dapat mengetahui dalam sehari apakah model tersebut gagal pada tugas-tugas Anda.
Apa yang akan membuat perbandingan ini menjadi nyata?
Satu kali menjalankan pada satu harness akan menyelesaikan sebagian besar halaman ini. Terminal-Bench bersifat publik, tugas-tugasnya tetap, dan kedua model dimuat di runtime yang berdekatan dengan llama.cpp pada presisi yang sebanding. Jika seseorang menerbitkan DaisyRose 27B dan Granite 4.2 30B pada harness yang sama dengan pengaturan sampling yang sama, selisih 46 poin akan menyusut menjadi nilai sebenarnya, apa pun itu — kemungkinan di antara angka kedua vendor, karena angka DaisyRose adalah best-of-two pada upaya xhigh dan angka Granite tanpa kualifikasi.
Sampai saat itu, pembacaan yang dapat dipertahankan lebih sempit dan tetap berguna: pada sains tingkat pascasarjana, tempat harness paling tidak berpengaruh, model RadixArk jauh lebih unggul daripada model IBM, dengan selisih yang tidak dapat dijelaskan oleh jumlah run maupun pengacakan urutan jawaban. Dalam hal mengikuti instruksi, keduanya berdekatan. Dalam pekerjaan agen terminal, tidak ada yang bisa memastikan, dan selisih 46 poin yang dipublikasikan mengukur dua setup evaluasi setidaknya sama besarnya dengan mengukur dua model.
Bagi tim yang memilih hari ini, keputusannya lebih tentang kematangan daripada tabel benchmark. Granite 4.2 30B adalah model enterprise berusia tiga bulan yang sudah jadi dan terdokumentasi, dengan kuantisasi dan tabel multibahasa. DaisyRose 27B adalah eksperimen reinforcement-learning berusia delapan belas hari dengan angka vendor yang mencolok, satu baris bersama yang mendukungnya, dan tidak ada reproduksi independen sama sekali. Jika beban kerjanya produksi dan tenggatnya sekarang, perbedaan itulah yang menentukan. Jika beban kerjanya adalah agen yang Anda kendalikan dan Anda mampu melakukan benchmark, baris GPQA dan IFBench DaisyRose 27B cukup menjadi alasan untuk menempatkannya pada harness yang sama dengan model yang Anda jalankan hari ini dan melihat apa yang terjadi.
