
DaisyRose 27B vs Granite 4.2 30B: 46 punti, due harness
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 184 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 494 tok/s
- AlibabaNUOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M di token · 385 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 94 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
DaisyRose 27B e Granite 4.2 30B riportano entrambi un punteggio su Terminal Bench 2.1. DaisyRose 27B, il post-addestramento di Qwen3.8-27B di RadixArk basato esclusivamente sull'apprendimento per rinforzo, pubblicato il 18 novembre 2026, ottiene 75,5 rispetto a 73,0 del suo modello base. Granite 4.2 30B, il modello denso da 30 miliardi di parametri di IBM rilasciato il 25 agosto 2026, ottiene 29,24. Si tratta di un divario di 46 punti sullo stesso nome di benchmark, tra due modelli densi di dimensioni quasi identiche, e la conclusione naturale — che DaisyRose 27B sia due volte e mezzo migliore nelle attività agentiche da terminale — è quasi certamente falsa. I due numeri non sono stati prodotti allo stesso modo, e questa pagina riguarda in gran parte come un divario di 46 punti possa essere più piccolo di quanto sembri.
I due modelli hanno più in comune di quanto quel divario suggerisca: entrambi densi, entrambi intorno ai 30 miliardi di parametri, entrambi Apache 2.0, entrambi rilasci open-weight senza un prezzo API ospitato dal fornitore da citare, entrambi addestrati specificamente per l'uso agentico degli strumenti all'interno di sandbox. Sono la coppia più simile di questa serie per architettura e intento, ed è esattamente per questo che i numeri sulle loro schede vale la pena leggerli con attenzione anziché sottrarli.
Anatomia di un divario di 46 punti
Inizia con ciò che dice ogni fornitore su come è stato realizzato il numero, perché entrambe le carte sono insolitamente esplicite e descrivono misurazioni diverse.
• DaisyRose 27B — cinque esecuzioni per attività sull'harness Terminus 2. La scheda di confronto elenca esplicitamente Terminus 2 e indica il numero di esecuzioni. Il campionamento prevedeva temperatura 1.0, top_p 0.95, top_k 20, reasoning effort xhigh, e il punteggio pubblicato è il migliore tra le esecuzioni BF16 e FP8.
• Granite 4.2 30B — 29,24 su Terminal-Bench 2.1, riportato come singola riga di tabella sulla scheda del modello. La scheda documenta in dettaglio l'addestramento agentico della famiglia — una seconda passata di fine-tuning supervisionato su dati di ingegneria del software agentici sovracampionati, poi apprendimento per rinforzo agentico all'interno di una sandbox che svolge attività in stile SWE-bench, operazioni da terminale e ricerca web — ma la riga di Terminal-Bench stessa non riporta alcun numero di esecuzioni, né il nome dell'harness, né la configurazione di campionamento.
Questa asimmetria è tutta la storia dei 46 punti. Un fornitore ha pubblicato un punteggio fortemente strumentato con il massimo sforzo di ragionamento su cinque esecuzioni; l'altro ha pubblicato una cella di tabella. Un risultato di Terminal-Bench con sforzo di ragionamento xhigh può variare di decine di punti rispetto allo stesso modello con impostazioni predefinite, perché il benchmark è una sequenza di comandi shell in cui un modello che riflette più a lungo ha più tentativi di riprendersi dai propri errori. Confrontare un valore best-effort, ad alto sforzo, su cinque esecuzioni con un singolo numero senza qualificazioni non è affatto un confronto.
C'è una seconda asimmetria, più sottile e più interessante. Il modello di base di DaisyRose 27B, Qwen3.8-27B, ottiene 73,0 sulla stessa riga della stessa scheda. Quindi il post-training di RadixArk ha migliorato Terminal Bench 2.1 di 2,5 punti, mentre il divario di 46 punti rispetto a Granite è composto da 44 punti di differenza tra modelli di base e 2 punti di training. Tutto ciò che separa questi due fornitori su questo benchmark sta nel punto di partenza, non nell'apprendimento per rinforzo.
Dove le tabelle si incontrano
Altre due righe sono condivise, ed entrambe sono più comparabili di Terminal-Bench.
• GPQA Diamond — DaisyRose 27B 90,7 su otto esecuzioni su 198 domande con ordine delle risposte rimescolato; Granite 4.2 30B 66,41. Un divario di 24 punti che nessuna differenza di harness può plausibilmente spiegare. La versione base di DaisyRose segna 89,2, quindi il post-training ha aggiunto 1,5 punti a un modello base che era già nettamente avanti.
• {{1}}IFBench{{/1}} — {{2}}DaisyRose 27B{{/2}} 82,4 su quattro esecuzioni su 300 prompt con lo scorer ufficiale {{3}}allenai{{/3}}, accuratezza rigorosa a livello di prompt escludendo il thinking; {{4}}Granite 4.2 30B{{/4}} 77,17, etichettato "prompt" sulla scheda. Un divario di 5 punti, e la cosa più vicina a un vero pareggio su entrambe le schede.
Il dato GPQA è quello che dovrebbe cambiare il modo in cui un lettore pensa a questo confronto. Granite 4.2 30B è un modello che IBM ha costruito per il lavoro agentico aziendale — dodici lingue testate, tre modalità di ragionamento, tool calling, un contesto nativo da 128K estendibile a 512K — e ottiene 66,41 in scienze a livello post-laurea. DaisyRose 27B ottiene 90,7. Qualunque siano le avvertenze dell’harness su Terminal-Bench, le domande di scienze a livello post-laurea non hanno un harness che faccia oscillare 24 punti, e la lettura onesta è che il modello di base di RadixArk, Qwen3.8-27B a 89,2, è semplicemente un modello di ragionamento più forte rispetto al modello di base da cui IBM è partita.

Due idee molto diverse di addestramento agentico
Entrambi i modelli sono stati addestrati a lavorare all'interno di una sandbox, e le due descrizioni di tale addestramento sono la parte più rivelatrice di entrambe le schede.
L'approccio di RadixArk è stato cambiare il meno possibile. DaisyRose 27B mantiene intatte l'architettura, il tokenizer, il template di chat, la vision tower e la finestra di contesto da 262.144 token di Qwen3.8-27B, e applica l'apprendimento per rinforzo a circa 1.200 attività curate a lungo orizzonte realizzate con Eigent AI — attività progettate per concatenare diversi problemi, resistere al reward hacking e svolgersi in sessioni fino a un milione di token. Diciotto giorni, 144 H200, 63.000 ore GPU, circa 944.000 sandbox. Nessun fine-tuning supervisionato, nessuna distillazione.
L'approccio di IBM consisteva nel modificare il comportamento per fasi. La famiglia di Granite 4.2 30B ha ricevuto un secondo passaggio di fine-tuning supervisionato su dati sovracampionati di ingegneria del software agentica, seguito da apprendimento per rinforzo agentico che ha eseguito il modello all'interno di una sandbox su attività in stile SWE-bench, operazioni da terminale e ricerca web. La scheda specifica esplicitamente che il 30B è il membro più performante della famiglia su lavoro intensivo sotto il profilo del ragionamento e agentico. Include inoltre una tabella completa delle capacità generali, dodici lingue testate, tre modalità di pensiero e il chain-of-thought integrato.
La descrizione dell'addestramento di nessuno dei due fornitori riesce a prevedere il profilo di benchmark dell'altro, ed è ciò che mostrano le tabelle: DaisyRose 27B è nettamente in testa sulle righe a forte componente di ragionamento e non pubblica nulla su multilingua o visione; Granite 4.2 30B pubblica dati per tutta la suite 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 — e ottiene 66.41 dove i due si sovrappongono in ambito scientifico.
Contesto, memoria e la storia del deployment
L'estensione a 512K di Granite è un vero elemento distintivo che nessuna riga di benchmark cattura, e vale la pena essere precisi su ciò che la scheda dichiara: 128K nativi, «estensione del contesto lungo fino a 512K», con la tabella del modello che riporta una lunghezza di sequenza di 131.072. Un'estensione non equivale a nativo, e i valori RULER sulla scheda mostrano il costo: 89,96 a 64K contro 81,38 a 128K sullo stesso modello. DaisyRose 27B prende la posizione opposta: una finestra fissa di 262.144 token, senza alcuna variante a contesto lungo, ereditata da Qwen3.8-27B, e RadixArk osserva che le sue stesse esecuzioni di pensiero lungo raggiungono decine di migliaia di token, ed è lì che in pratica si consuma gran parte di quella finestra.
• Pesi DaisyRose 27B — BF16 circa 52 GB, FP8 circa 29 GB, NVFP4 circa 23 GB e solo per Blackwell, oltre al drafter per decodifica speculativa Qwen3.8-27B-DSpark. RadixArk consiglia SGLang con DSpark e pubblica una configurazione di riferimento a quattro GPU con una cache KV FP8.
• Pesi di Granite 4.2 30B — circa 29B memorizzati in bfloat16, Apache 2.0, con quantizzazioni FP8, NVFP4/MXFP4 e GGUF distribuite insieme alla release BF16. Con 30B dense si colloca quasi nella stessa classe di memoria della build BF16 di DaisyRose, quindi nessuna delle due ha un vantaggio in termini di footprint di cui valga la pena discutere.
La differenza nella messa in produzione riguarda il supporto, non le dimensioni. Granite 4.2 30B è scaricabile ed eseguibile da tre mesi, dispone di quantizzazioni pubblicate da IBM per diversi runtime e ha un ecosistema di persone che hanno già incontrato le sue modalità di errore. DaisyRose 27B ha tre giorni di vita, tre precisioni, un solo percorso di serving consigliato e nessun dato pubblicato di throughput per alcuna configurazione hardware.

Nessuno dei due si trova su un endpoint ospitato qui
Questa è la sezione meno soddisfacente del confronto e vale la pena dirlo chiaramente: né DaisyRose 27B né Granite 4.2 30B compaiono nel catalogo di OrcaRouter al momento della stesura. RadixArk non pubblica alcuna API DaisyRose ospitata e rimanda a SGLang, vLLM e Docker; Granite 4.2 30B di IBM è un rilascio open-weight il cui percorso pratico è l'auto-hosting, senza tariffe del fornitore da citare. I listini di terze parti per DaisyRose indicano $0,15 per milione di token di input e $1,88 per milione di token di output, che è una posizione di partenza di un provider di hosting più che un prezzo del fornitore e va letta come tale.
Ciò che questo significa per un lettore che sta cercando di decidere è che questo confronto non può essere risolto cambiando un URL di base. Entrambi i modelli vogliono una GPU, e il consiglio onesto è eseguire prima l'esperimento meno costoso: se il tuo carico di lavoro rientra nel contesto nativo da 128K di Granite 4.2 30B e nella sua tabella delle capacità pubblicata, il modello ha alle spalle tre mesi di errori altrui e puoi scoprire in un giorno se fallisce sui tuoi compiti.
Cosa renderebbe reale questo confronto
Una singola esecuzione su un unico harness risolverebbe gran parte di questa pagina. Terminal-Bench è pubblico, i task sono fissi ed entrambi i modelli si caricano in runtime adiacenti a llama.cpp a precisione comparabile. Se qualcuno pubblicasse DaisyRose 27B e Granite 4.2 30B sullo stesso harness con le stesse impostazioni di campionamento, il divario di 46 punti si ridurrebbe a quello che è in realtà — probabilmente da qualche parte tra le cifre dei due fornitori, dato che quello di DaisyRose è un best-of-two con sforzo xhigh e quello di Granite è senza qualificazioni.
Fino ad allora, la lettura difendibile è più ristretta e comunque utile: nelle scienze a livello universitario avanzato, dove gli harness contano meno, il modello di RadixArk è molto avanti rispetto a quello di IBM, con un margine che né il numero di esecuzioni né la randomizzazione dell’ordine delle risposte possono spiegare. Sul rispetto delle istruzioni i due sono vicini. Sul lavoro con agenti da terminale nessuno può dirlo, e il divario pubblicato di 46 punti misura due configurazioni di valutazione almeno quanto misura due modelli.
Per un team che sceglie oggi, la decisione riguarda meno la tabella di benchmark e più la maturità. Granite 4.2 30B è un modello enterprise finito, documentato, vecchio di tre mesi, con quantizzazioni e una tabella multilingue. DaisyRose 27B è un esperimento di reinforcement learning di diciotto giorni, con un insieme sorprendente di numeri del fornitore, un'unica riga condivisa che li supporta e nessuna riproduzione indipendente di alcun tipo. Se il carico di lavoro è in produzione e la scadenza è adesso, è quella differenza a decidere. Se il carico di lavoro è un agente che controlli e puoi permetterti di fare benchmark, le righe GPQA e IFBench di DaisyRose 27B sono motivo sufficiente per metterlo sullo stesso harness del modello che stai usando oggi e vedere cosa succede.
