
DaisyRose 27B vs ZWZ2 27B: Rata-rata vs Frontier
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 187 tok/s
- openaiBARUOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1 juta token · 87 tok/s
- openaiBARUOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1 juta token · 152 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 194 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 86 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 705 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 85 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 · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1 juta token · 35 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 · 38 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 · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 101 tok/s
Letakkan DaisyRose-27B dan ZWZ2-27B berdampingan dan Anda akan mendapatkan dua post-train reinforcement learning asli dari checkpoint Qwen, dirilis dengan selisih tiga minggu pada musim gugur 2026, yang dilaporkan dalam dua gaya yang sangat berbeda. DaisyRose-27B, dari RadixArk pada 18 November 2026, adalah tujuh benchmark terhadap Qwen3.8-27B, dengan keuntungan relatif terbesar berada pada benchmark tersulit. ZWZ2-27B, dari inclusionAI, adalah dua puluh lima benchmark di enam domain terhadap Qwen3.6-27B, dilaporkan sebagai skor rata-rata yang naik dari 55.52 menjadi 60.51.
Satu lab menerbitkan hasil terdepan. Lab lainnya menerbitkan rata-rata. Itu bukan jenis klaim yang sama, dan perbedaannya memberi tahu Anda lebih banyak tentang untuk apa masing-masing model daripada angka tunggal mana pun di tabel mana pun.
Basis berbeda, terpaut satu generasi
Fakta paling penting dalam pertandingan ini adalah bahwa kedua model tersebut tidak memiliki leluhur yang sama. ZWZ2-27B dibangun di atas Qwen3.6-27B; DaisyRose-27B dibangun di atas Qwen3.8-27B. Itu berarti selisih satu generasi basis, dan artinya perbandingan langsung yang biasanya dilakukan oleh halaman "vs" sama sekali tidak tersedia di sini — bukan karena angkanya tidak ada, melainkan karena mengalahkan basis generasi sebelumnya menyatakan hal yang berbeda dari mengalahkan basis generasi saat ini.
Kartu model ZWZ2-27B sendiri memperjelas hal ini dengan melaporkan setiap peningkatan terhadap Qwen3.6-27B. Kartu DaisyRose-27B melaporkan terhadap Qwen3.8-27B. Pembaca yang membandingkan kedua angka peningkatan itu sedang membandingkan peningkatan atas basis yang lebih lama dengan peningkatan atas basis yang lebih baru, dan basis yang lebih baru itu mulai dari titik yang lebih tinggi. Tidak ada aritmetika yang bisa memperbaikinya, dan tidak ada artikel jujur yang seharusnya mencoba.
Bagaimana ZWZ2 melaporkan dirinya sendiri
Evaluasi ZwZ2-27B disusun berdasarkan domain, bukan berdasarkan tingkat kesulitan benchmark. Dua puluh lima benchmark dikelompokkan ke dalam enam area, dengan setiap domain memiliki rata-rata sebelum dan sesudahnya sendiri:
• Persepsi terperinci — 62,09 hingga 67,57, peningkatan sebesar 5,48 pada delapan tolok ukur termasuk VStar, HR-Bench 8K, dan MME-RealWorld.
• Penalaran spasial — 49,72 menjadi 55,98, naik 6,26, peningkatan domain terbesar.
• Penalaran visual umum — 47,89 menjadi 53,71, naik 5,82, mencakup MMStar dan BabyVision.
• Spasial terwujud — 50,17 hingga 55,71, naik 5,54.
• Konteks panjang — 65,87 hingga 68,77, naik 2,90.
• Agen multimodal — 49,73 menjadi 51,81, naik 2,08, peningkatan terkecil namun paling mengungkap.
Rata-rata keseluruhan bergerak dari 55,52 menjadi 60,51, kenaikan sebesar 4,99, dan inclusionAI menyatakan bahwa model yang disetel mengalahkan model dasar pada setiap dari dua puluh lima benchmark. Itu adalah klaim yang kuat tentang konsistensi dan klaim yang lemah tentang kemampuan tertentu mana pun, karena rata-rata atas dua puluh lima pengujian didominasi oleh pengujian mana pun yang memang sudah dikuasai model.
Bagaimana DaisyRose melaporkan dirinya sendiri
RadixArk mengambil pendekatan sebaliknya: tujuh benchmark, masing-masing dilaporkan secara terpisah, dengan skor model dasar di sampingnya. Terminal Bench 4.1 naik dari 5,6 menjadi 12,0, Terminal Bench 2.1 dari 73,0 menjadi 75,5, DeepSWE v1.1 dari 42,2 menjadi 46,2, SWE Bench Pro v2 dari 91,3 menjadi 94,7, Humanity's Last Exam dari 33,9 menjadi 34,3, IFBench dari 79,5 menjadi 82,4, GPQA Diamond dari 89,2 menjadi 90,7.
Tidak ada nilai rata-rata yang disajikan, dan itulah intinya. Kenaikan utama, lebih dari dua kali lipat pada Terminal Bench 4.1, adalah kenaikan dari basis yang sangat rendah — 5,6 mendekati batas bawah. Dua benchmark yang basisnya sudah kuat, HLE dan GPQA Diamond, nyaris tidak bergerak. Jika dibaca sebagai satu kesatuan, tabel itu menunjukkan bahwa penyetelan tersebut membeli kompetensi agentik dan membiarkan penalaran umum apa adanya, yang persis seperti yang seharusnya dihasilkan oleh reward yang dibangun atas tugas-tugas agen berhorizon panjang.

Apa yang disembunyikan oleh rata-rata 25 tolok ukur
Baris absolut terlemah ZWZ2-27B justru yang menarik, dan kartunya sendiri mempublikasikan angka-angka itu: Chartography 12,00, AgentVista 18,18, Perception-Bench 44,93, dan ScreenSpot-Pro 70,59. Angka-angka itu berdampingan dengan rata-rata domain di kisaran lima puluhan dan enam puluhan, yang berarti nilai rata-rata ditopang oleh benchmark yang dikuasai model, sementara benchmark yang benar-benar sulit berada mendekati dasar.
Itu normal untuk sebuah post-train dan tidak boleh dibaca sebagai cacat. Namun, justru itulah informasi yang dihapus oleh sebuah rata-rata. Tim yang membaca "60.51" dan mengharapkan model yang 60% bagus dalam segala hal akan sangat terkejut oleh Chartography di angka 12. Tim yang membaca baris per benchmark langsung tahu beban kerja mana yang tidak dilatih untuk model ini.
Peringatan yang sama berlaku sebaliknya untuk DaisyRose-27B. Skor Terminal Bench 4.1-nya sebesar 12,0 adalah peningkatan relatif yang besar sekaligus hasil absolut yang buruk, dan kartu tersebut jujur tentang keduanya. Tidak ada angka utama dari kedua model yang bertahan saat dihadapkan dengan baris detailnya sendiri.
Arsitektur dan lisensi
Keduanya mewarisi model dasarnya tanpa perubahan. ZWZ2-27B membawa konfigurasi Qwen3.6-27B sebagaimana dipublikasikan: ukuran hidden 5.120, 64 lapisan, 24 head query dan 4 head key-value pada dimensi 256, FFN 17.408, pola attention linear-ke-full tiga-berbanding-satu yang diulang enam belas kali, M-RoPE interleaved dengan basis rope sepuluh juta, kosakata 248.320, dan 262.144 posisi native. Menara visinya memiliki 27 lapisan dengan lebar 1.152 yang memproyeksikan ke 5.120 dengan patch 16 piksel dan penggabungan 2×2. Tidak ada lapisan multi-token-prediction — konfigurasi menetapkannya ke nol — dan bobot BF16 berukuran sekitar 54 GB dalam dua shard, dengan transformers 5.13.1 sebagai jalur yang didokumentasikan.
DaisyRose-27B membawa konfigurasi Qwen3.8-27B: ukuran hidden dan jumlah layer yang sama, attention linear Gated DeltaNet dalam pola tiga-ke-satu yang sama, encoder visi 0,46B, dan kepala prediksi 0,42B yang tidak dimiliki ZWZ2-27B. Konteksnya 262.144 untuk keduanya. DaisyRose tersedia dalam BF16 sekitar 52 GB, FP8 29 GB, dan NVFP4 23 GB dengan resep serving SGLang lengkap; ZwZ2-27B hanya tersedia dalam BF16.
• Lisensi — Apache-2.0 untuk keduanya, diwarisi dari basis masing-masing.
• Visi — keduanya menerima gambar dan mengembalikan teks; tidak satu pun hanya teks.
• Kuantisasi — tiga format untuk DaisyRose-27B, hanya BF16 untuk ZwZ2-27B.
• Dokumentasi serving — resep SGLang terperinci dengan speculative decoding untuk DaisyRose-27B; quickstart transformers untuk ZwZ2-27B.
• Evaluasi independen — tidak ada untuk kedua model pada saat penulisan.

Pertanyaan persepsi
Keunggulan ZwZ2-27B terpusat pada persepsi dan penalaran spasial: persepsi fine-grained naik 5,48, spasial naik 6,26, spasial embodied naik 5,54, dengan tolok ukur resolusi tinggi seperti HR-Bench 8K termasuk dalam kelompok pertama tersebut. DaisyRose-27B sama sekali tidak melaporkan tolok ukur persepsi. Encoder visinya diwarisi dan tidak disentuh, dan tidak ada apa pun di kartu tersebut yang menunjukkan bahwa reward membentuknya.
Asimetri itulah keputusannya. Jika beban kerja Anda berupa tangkapan layar, bagan padat, halaman hasil pindai, atau tata letak spasial, kartu ZwZ2-27B menanganinya secara langsung dan kartu DaisyRose-27B tidak. Jika beban kerja Anda berupa terminal, repositori, atau sesi pemanggilan alat yang panjang, yang berlaku adalah sebaliknya: kartu DaisyRose-27B penuh dengan baris-baris tersebut, dan domain terlemah ZwZ2-27B adalah agen multimodal dengan rata-rata 51.81.
Tidak ada kartu yang lebih baik sebagai bukti daripada yang lain. Keduanya adalah bukti tentang hal yang berbeda, dihasilkan dengan protokol yang berbeda, dan respons yang tepat adalah membaca masing-masing untuk pertanyaan yang ingin dijawabnya.
Menjalankannya, dan mencampurkannya
Baik DaisyRose-27B maupun ZwZ2-27B tidak di-hosting di OrcaRouter saat ini. Keduanya adalah bobot yang Anda hosting sendiri atau akses melalui platform pihak ketiga, yang berarti keduanya membawa masalah operasional yang sama: dua checkpoint, dua deployment, dua set keputusan kapasitas, dan tidak ada cara untuk mengirim permintaan ke salah satu yang sedang tersedia saat ini.
Itulah kasus yang menjadi alasan perutean dibuat. Ketika dua model membagi beban kerja di sepanjang garis yang jelas — persepsi di satu sisi, aksi agentik di sisi lain — aplikasi tetap berakhir dengan mengklasifikasikan permintaan dan memanggil dua endpoint berbeda. DSL perutean OrcaRouter memungkinkan klasifikasi itu berada di satu tempat, menyusun kedua model menjadi satu jalur panggilan, dengan failover otomatis sehingga deployment self-hosted yang sudah jenuh beralih ke endpoint kedua alih-alih mengembalikan error. Untuk sepasang model yang baru dan dokumentasinya minim ini, failover lebih merupakan soal tidak mempertaruhkan jalur produksi pada bobot yang baru dipublikasikan selama tiga minggu daripada soal uptime. OrcaRouter juga meneruskan harga daftar penyedia dengan markup 0% untuk semua yang kami host, sehingga bagian hosted dari deployment campuran diberi harga sesuai biaya, bukan dengan kelipatan.

Laporan mana yang harus dipercaya untuk keputusan Anda
Ambil ZwZ2-27B jika pekerjaan Anda mengutamakan persepsi dan Anda menginginkan model yang kartunya mendokumentasikannya di dua puluh lima tolok ukur — dan bacalah baris absolutnya, bukan rata-ratanya. Ambil DaisyRose-27B jika pekerjaan Anda bersifat agentik dan Anda menginginkan model yang kartunya mendokumentasikan perubahan perilaku spesifik yang dapat diverifikasi terhadap basis asalnya. Jangan ambil keduanya jika Anda memerlukan verifikasi independen sebelum berkomitmen: kedua tabel dilaporkan vendor, keduanya tidak memiliki skor Artificial Analysis, dan satu angka yang diinginkan tim pengadaan — performa pada beban kerja Anda sendiri — tidak ada di kedua dokumen tersebut.
Perbandingan yang benar-benar akan penting adalah perbandingan berikutnya. Kedua lab berada pada model pertama mereka, keduanya dibangun di atas checkpoint Qwen, dan keduanya menggunakan pembelajaran penguatan sebagai keseluruhan cerita pasca-pelatihan. Jika inclusionAI merilis ZwZ3 pada Qwen3.8-27B, atau RadixArk merilis DaisyRose kedua yang mempertahankan resep agen dan menambahkan baris persepsi, kedua gaya pelaporan akhirnya akan bertemu pada basis bersama dan adu langsung yang sesungguhnya menjadi mungkin. Sampai saat itu, ringkasan yang tepat adalah bahwa model-model ini diukur untuk tujuan yang berbeda, dan perbedaan antara rata-rata dan garis depan adalah perbedaan antara bertanya "apakah ini lebih baik secara keseluruhan" dan bertanya "apakah ini lebih baik pada hal yang saya butuhkan".
