Una card di titolo generata che recita 'DaisyRose 27B vs ZWZ2 27B' con il sottotitolo 'Medie contro frontiere', una card a sinistra che elenca DaisyRose-27B sulla base Qwen3.8-27B, sette benchmark riportati e un valore principale di Terminal Bench di 4,1 su 12,0, una card a destra che elenca ZwZ2-27B sulla base Qwen3.6-27B, venticinque benchmark riportati e una media principale di 60,51, un footer che recita 'Entrambe le tabelle riportate dal fornitore; una generazione di base di differenza', e il logo OrcaRouter.
Guides & Insights

DaisyRose 27B vs ZWZ2 27B: Medie vs Frontiere

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Metti DaisyRose-27B e ZWZ2-27B uno accanto all'altro e ottieni due autentici post-training di reinforcement learning di checkpoint Qwen, rilasciati a tre settimane di distanza nell'autunno del 2026, riportati in due stili completamente diversi. DaisyRose-27B, di RadixArk, del 18 novembre 2026, è valutato su sette benchmark rispetto a Qwen3.8-27B, con il maggior guadagno relativo sul benchmark più difficile. ZWZ2-27B, di inclusionAI, è valutato su venticinque benchmark in sei domini rispetto a Qwen3.6-27B, riportato come un punteggio medio che sale da 55,52 a 60,51.

Un laboratorio ha pubblicato una frontiera. L'altro ha pubblicato una media. Non sono lo stesso tipo di affermazione, e la differenza dice di più su a cosa serve ciascun modello di quanto possa fare qualsiasi singolo numero in una delle due tabelle.

Basi diverse, una generazione di distanza

Il fatto singolo più importante in questo confronto è che i due modelli non condividono un antenato. ZWZ2-27B è basato su Qwen3.6-27B; DaisyRose-27B è basato su Qwen3.8-27B. C'è una generazione di base di differenza, e questo significa che il confronto diretto che una pagina "vs" normalmente esegue qui non è affatto disponibile — non perché manchino i numeri, ma perché superare una base della generazione precedente dice qualcosa di diverso dal superare quella attuale.

La scheda di ZWZ2-27B lo rende chiaro riportando ogni guadagno rispetto a Qwen3.6-27B. La scheda di DaisyRose-27B riporta rispetto a Qwen3.8-27B. Un lettore che confronta le due cifre di miglioramento confronta un miglioramento rispetto a una base più vecchia con un miglioramento rispetto a una più nuova, e la base più nuova partiva da un valore più alto. Nessuna aritmetica lo risolve, e nessun articolo onesto dovrebbe provarci.

Come ZWZ2 riporta se stesso

La valutazione di ZwZ2-27B è organizzata per dominio anziché per difficoltà dei benchmark. Venticinque benchmark raggruppati in sei aree, con ciascun dominio che riporta la propria media prima e dopo:

• Percezione a grana fine — da 62,09 a 67,57, un incremento di 5,48 su otto benchmark, tra cui VStar, HR-Bench 8K e MME-RealWorld.

• Ragionamento spaziale — da 49,72 a 55,98, +6,26, il maggiore incremento tra i domini.

Ragionamento visivo generale — da 47,89 a 53,71, in aumento di 5,82, su MMStar e BabyVision.

• Spaziale incarnato — da 50,17 a 55,71, in aumento di 5,54.

• Contesto lungo — da 65,87 a 68,77, in aumento di 2,90.

• {{1}}Agenti multimodali{{/1}} — da 49,73 a 51,81, +2,08, il guadagno più piccolo e al contempo il più significativo.

La media complessiva passa da 55,52 a 60,51, con un aumento di 4,99, e {{1}}inclusionAI{{/1}} afferma che il modello ottimizzato batte il modello base su ciascuno dei {{2}}venticinque{{/2}} benchmark. È un'affermazione forte sulla coerenza e un'affermazione debole su qualsiasi capacità specifica, perché una media su venticinque test è dominata dai test in cui il modello era già bravo.

Come DaisyRose descrive se stessa

RadixArk ha adottato l'approccio opposto: sette benchmark, ciascuno riportato singolarmente, con accanto il punteggio del modello base. Terminal Bench 4.1 passa da 5,6 a 12,0, Terminal Bench 2.1 da 73,0 a 75,5, DeepSWE v1.1 da 42,2 a 46,2, SWE Bench Pro v2 da 91,3 a 94,7, Humanity's Last Exam da 33,9 a 34,3, IFBench da 79,5 a 82,4, GPQA Diamond da 89,2 a 90,7.

Non viene offerta alcuna media, e questo è il punto. Il guadagno principale, più che raddoppiato su Terminal Bench 4.1, è un guadagno da una base molto bassa — 5.6 è vicino al minimo. I due benchmark in cui la base era già solida, HLE e GPQA Diamond, si muovono appena. Letta nel suo insieme, la tabella dice che il tuning ha acquisito competenza agentica e ha lasciato intatto il ragionamento generale, che è esattamente ciò che dovrebbe produrre una ricompensa costruita su compiti agentici a lungo orizzonte.

A generated two-column scoreboard. DaisyRose-27B: base model Qwen3.8-27B, benchmarks published 7, Terminal Bench 4.1 5.6 to 12.0, Humanity's Last Exam 34.3, reporting style individual rows, context 262,144. ZwZ2-27B: base model Qwen3.6-27B, benchmarks published 25, reporting style domain means, context 262,144. Footer reads 'Vendor-reported; the two bases are one generation apart.'

Cosa nasconde una media di 25 benchmark

Le righe assolute più deboli di ZWZ2-27B sono quelle interessanti, e la sua stessa scheda le pubblica: Chartography 12.00, AgentVista 18.18, Perception-Bench 44.93 e ScreenSpot-Pro 70.59. Queste si affiancano a medie di dominio tra i cinquanta e i sessanta, il che significa che la media è sostenuta dai benchmark in cui il modello va bene e quelli davvero difficili sono ormai prossimi al minimo.

Questo è normale per un post-train e non dovrebbe essere letto come un difetto. Tuttavia, è esattamente l’informazione che una media cancella. Un team che legge "60.51" e si aspetta un modello bravo al 60% in tutto rimarrà molto sorpreso da Chartography a 12. Un team che legge le righe per benchmark sa immediatamente per quali dei suoi carichi di lavoro questo modello non è stato addestrato.

La stessa avvertenza si applica al contrario a DaisyRose-27B. Il suo punteggio di 12,0 su Terminal Bench 4.1 è un ampio guadagno relativo e uno scarso risultato assoluto, e la scheda è onesta su entrambi. Il numero di punta di nessuno dei due modelli sopravvive al contatto con le proprie righe di dettaglio.

Architettura e licenza

Entrambi ereditano la propria base invariata. ZWZ2-27B porta la configurazione Qwen3.6-27B così come pubblicata: hidden size 5,120, 64 layer, 24 query head e 4 key-value head con dimensione 256, un FFN di 17,408, un pattern di attenzione lineare-completa in rapporto tre a uno ripetuto sedici volte, M-RoPE interlacciato con una rope base di dieci milioni, un vocabolario di 248,320 e 262,144 posizioni native. La sua torre visiva ha 27 layer con larghezza 1,152 che proiettano a 5,120 con patch da 16 pixel e un merge 2×2. Non c'è alcun layer di multi-token prediction — la configurazione lo imposta a zero — e i pesi BF16 arrivano a circa 54 GB su due shard, con transformers 5.13.1 come percorso documentato.

DaisyRose-27B adotta la configurazione di Qwen3.8-27B: stessa dimensione nascosta e stesso numero di layer, attenzione lineare Gated DeltaNet con lo stesso schema tre-a-uno, un encoder visivo da 0,46B e una testa di predizione da 0,42B che ZWZ2-27B non ha. La finestra di contesto è di 262.144 token per entrambi. DaisyRose viene distribuito in BF16 a circa 52 GB, FP8 a 29 GB e NVFP4 a 23 GB con una ricetta completa di serving SGLang; ZwZ2-27B viene distribuito solo in BF16.

• Licenza — Apache-2.0 per entrambi, ereditata dalle rispettive basi.

• Visione — entrambi accettano immagini e restituiscono testo; nessuno dei due è solo testo.

• Quantizzazioni — tre formati per DaisyRose-27B, BF16 solo per ZwZ2-27B.

• Documentazione per il serving — una ricetta SGLang dettagliata con decodifica speculativa per DaisyRose-27B; una guida rapida a transformers per ZwZ2-27B.

• Valutazione indipendente — nessuna per nessuno dei due modelli al momento della stesura.

Screenshot of the RadixArk release post for DaisyRose-27B captured 21 November 2026, dated November 18, 2026 and headed 'DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency', stating that the model is built on Qwen3.8-27B and trained with reinforcement learning on long-horizon agent tasks with sessions up to 1M tokens, using 1,200 curated tasks in 18 days on 144 GPUs.

La questione della percezione

I guadagni di ZwZ2-27B si concentrano nella percezione e nel ragionamento spaziale: percezione fine-grained in aumento di 5.48, spaziale in aumento di 6.26, spaziale incarnato in aumento di 5.54, con benchmark ad alta risoluzione come HR-Bench 8K che rientrano in quel primo gruppo. DaisyRose-27B non riporta alcun benchmark di percezione. Il suo encoder visivo è ereditato e intatto, e nulla nella scheda suggerisce che la ricompensa lo abbia plasmato.

Quell’asimmetria è la decisione. Se il tuo carico di lavoro è uno screenshot, un grafico denso, una pagina scansionata o un layout spaziale, la scheda di ZwZ2-27B lo affronta direttamente e quella di DaisyRose-27B no. Se il tuo carico di lavoro è un terminale, un repository o una lunga sessione di chiamate agli strumenti, vale il contrario: la scheda di DaisyRose-27B è piena esattamente di quelle righe e il dominio più debole di ZwZ2-27B sono gli agenti multimodali con una media di 51.81.

Nessuna delle due carte costituisce una prova migliore dell'altra. Sono prove relative a questioni diverse, prodotte secondo protocolli diversi, e la risposta giusta è leggere ciascuna in relazione alla domanda a cui era destinata a rispondere.

Eseguendoli e mescolandoli

Né DaisyRose-27B né ZwZ2-27B sono ospitati oggi su OrcaRouter. Entrambi sono pesi che servi tu stesso o raggiungi tramite piattaforme di terze parti, il che significa che entrambi comportano lo stesso problema operativo: due checkpoint, due deployment, due insiemi di decisioni sulla capacità e nessun modo per inviare una richiesta a quello attualmente disponibile.

È il caso per cui è stato creato il routing. Quando due modelli dividono un carico di lavoro lungo una linea netta — percezione da un lato, azione agentica dall'altro — l'applicazione finisce comunque per classificare le richieste e chiamare due endpoint diversi. Il DSL di routing di OrcaRouter consente a quella classificazione di risiedere in un unico punto, componendo i due modelli in un unico percorso di chiamata, con failover automatico in modo che un deployment self-hosted saturo passi a un secondo endpoint invece di restituire un errore. Per una coppia di modelli così nuovi e così scarsamente documentati, il failover riguarda meno l'uptime che il non scommettere un percorso di produzione su pesi pubblici da tre settimane. OrcaRouter inoltre trasferisce il prezzo di listino del provider con 0% di ricarico per tutto ciò che ospitiamo, così la componente ospitata di un deployment misto è prezzata al costo anziché a un multiplo.

Screenshot of the Hugging Face model page for inclusionAI/ZWZ2-27B captured 21 November 2026, showing 15 likes, the Image-Text-to-Text pipeline tag, Transformers and Safetensors formats, tags for inclusionAI/ZwZ2-RL-VQA, grpo and conversational, two arXiv links, and an Eval Results section.

A quale report affidarti per la tua decisione

Scegli ZwZ2-27B se il tuo lavoro è incentrato sulla percezione e vuoi un modello la cui scheda lo documenta su venticinque benchmark — e leggi le righe assolute, non la media. Scegli DaisyRose-27B se il tuo lavoro è agentico e vuoi un modello la cui scheda documenta un cambiamento comportamentale specifico e verificabile rispetto alla base da cui proviene. Non scegliere nessuno dei due se hai bisogno di una verifica indipendente prima di impegnarti: entrambe le tabelle sono dichiarate dal fornitore, nessuno dei due ha un punteggio Artificial Analysis, e l'unico numero che un team di approvvigionamento vorrebbe — le prestazioni sul tuo carico di lavoro — non è presente in nessuno dei due documenti.

Il confronto che conterà davvero è il prossimo. Entrambi i laboratori sono al loro primo modello, entrambi costruiti su checkpoint Q​wen, ed entrambi hanno usato l'apprendimento per rinforzo come tutta la strategia di post-addestramento. Se inclusionAI rilascerà uno ZwZ3 su Qwen3.8-27B, o RadixArk rilascerà un secondo DaisyRose che mantiene la ricetta dell'agente e aggiunge righe di percezione, i due stili di rendicontazione si incontreranno finalmente su una base condivisa e un vero confronto testa a testa diventerà possibile. Fino ad allora, la sintesi corretta è che questi modelli sono stati misurati per scopi diversi, e la differenza tra un modello medio e uno di frontiera è la differenza tra chiedere "è migliore nel complesso" e chiedere "è migliore in ciò di cui ho bisogno".