生成されたタイトルカードには「DaisyRose 27B vs Gemma 4 26B A4B」と表示され、サブタイトルは「すべてのトークンで27.8Bを読み取り、トークンあたり3.8Bを読み取る」となっている。その下には3枚の角丸カードが並び、それぞれ「DaisyRose: 27.8Bデンス、RLのみのポストトレーニング」「Gemma 4 26B A4B: 合計25.2B、アクティブ3.8B」「ホスト価格:入力 $0.06、出力 $0.33(100万トークンあたり)」と表示されている。フッターには「DaisyRoseの数値はRadixArkによるもの、2026年11月;Gemmaの数値はGoogle DeepMindによるもの。」と表示される。OrcaRouterのロゴは右下に配置されている。
Guides & Insights

DaisyRose 27B 対 Gemma 4 26B A4B:27.8B Dense 対 3.8B Active

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

DaisyRose 27BとGemma 4 26B A4Bは同じ規模のモデルでありながら、コスト構造はまったく異なります。そして価格の行は、どんなベンチマークよりも速くそのことを具体的に示します。Gemma 4 26B A4Bは、252億パラメータのうち38億がトークンごとに読み出され、OrcaRouterでは、入力100万トークンあたり0.06ドル、出力100万トークンあたり0.33ドルで提供されています。DaisyRose 27Bは、RadixArkが2026年11月18日に公開した、Qwen3.8-27Bに対する強化学習のみのポストトレーニングであり、278億の密パラメータを備え、そのすべてがトークンごとに読み出されます。52 GBのBF16重みとして提供され、ベンダーがホストするAPIはなく、実行にはデータセンターGPUが不可欠です。一方はセント単位で借りるモデル。もう一方はデプロイするモデルです。この比較の他のすべては、そこから導かれます。

ベンチマークの全体像は本当に興味深いが、本当に不完全だ。2つのモデルが共通して公開している行はちょうど2つ——GPQA DiamondとHumanity's Last Exam——であり、そのどちらでもDaisyRose 27Bはパラメータ数の差よりもはるかに大きな差で先行している。その差が共通のハーネスで評価したときに維持されるかどうかは、このページには答えられない問いであり、このページもそう明言している。

名前は仕様です。

Gemma 4 26B A4B のラベルにはそのルーティング方針が込められており、Google 自身のモデルカードにもその読み方が直接こう記されています。「26B A4B の『A』は、モデルが含むパラメータの総数とは対照的に、『アクティブパラメータ』を表します」。

• 総パラメータ数 — 25.2B。 • トークンあたりのアクティブ数 — 3.8B。 • エキスパート構成 — トークンごとに選択されるのは、128個中8個のアクティブなエキスパートと共有エキスパート1個です。共有エキスパートは常に読み込まれるため、アクティブ数は単純に総数の8/128にはなりません。 • レイヤー — 30、1,024トークンのスライディングウィンドウ付き。

DaisyRose 27Bには、そのような構造はありません。これは密なTransformerです。27.8Bのパラメータのうち、0.46Bが視覚エンコーダー、0.42Bがマルチトークン予測ヘッドで、入力と計算の間にルーターはありません。すべてのトークンが、すべての重み分のコストを支払います。

実用上の帰結は、どのベンチマークよりもこれらのモデルを大きく分ける、ただ一つの数値にある。3.8Bのアクティブパラメータを持つスパースモデルは、25Bモデル並みのメモリを抱えながら、4Bモデルに近い速度で動作する——Googleのモデルカードは、MoE版を「4Bパラメータモデルとほぼ同じ速さで動作する」と表現し、そのことをはっきりと明言している。密な27.8Bモデルは27.8Bモデルの速度で動作するが、その速度を公開した者は誰もいない。RadixArkのモデルカードには、どのハードウェア構成についても1秒あたりのトークン数の数値が記載されていない。

RLが手に入れたもの、手に入れなかったもの

DaisyRose 27Bのトレーニングは、この比較の中でGemma側に対応するものがない部分である。RadixArkは強化学習のみを使用し—教師ありファインチューニングも蒸留も行わず—Eigent AIで構築された約1,200件の厳選された長期的エージェントタスクにわたり、セッションは最大100万トークンに達し、144台のH200上で18日間、約63,000 GPU時間をかけて実施した。目的は汎用的な能力の向上ではなく、特定の能力の向上だった。つまり、27Bを「タスクを読み、ツールを呼び出し、結果を読み、誤りを修正する」というループにおいてより優れたものにすることである。

それは、2つのモデルを実際に比較できる行に現れますが、一様に現れるわけではありません。

• GPQA Diamond — DaisyRose 27B の 90.7 対 Gemma 4 26B A4B の 82.3。両方ともベンダー報告値:RadixArk の数値は、simple-evals テンプレートと回答順の再シャッフルを用いた 198 問での 8 回の実行にわたるもの。Google の数値はモデルカードに公開された単一の数値です。

• Humanity's Last Exam、ツールなし — DaisyRose 27B の34.3 対 Gemma 4 26B A4B の8.7。これはどちらの表でも最大の差であり、最も疑ってかかるべきものだ。設定が異なるからである。RadixArk は各問題につき5回実行し、採点者として GPT-6 Luna を用い、ツールなしだった。Google の8.7 はツールなしの数値で、モデルに検索ツールを許可すると17.2 になる。

2行では比較にならず、どちらのベンダーも相手のハーネスを実行していない。HLEの差が示唆するのは——そしてそれは測定ではなく示唆にすぎないが——長いエージェント的セッションを狙ったポストトレーニングが、広範な能力に向けて事前学習されたスパースアーキテクチャには見られない形で、難しい推論問題に転移するということだ。示していないのは、その効果が25ポイントだということである。なぜならハーネスが異なり、2つの数値のうち一方は、より良い構成でツールを与えられたモデルから得られたものだからだ。

A screenshot of the Hugging Face model card for google/gemma-4-26B-A4B-it, showing the repository header, the mixture-of-experts description with 25.2B total and 3.8B active parameters, the 256K-token context, the Apache 2.0 licence and the benchmark table.

片側にしかない行

両方のカードは、相手が公表していないベンチマークを公表しており、その非対称性自体が、各ベンダーが何を証明する価値があると考えたかについて示唆に富んでいる。

Gemma 4 26B A4B は汎用能力の完全な表を公開している。MMLU Pro 82.6、ツールなしの AIME 2026 88.3、LiveCodeBench v6 77.1、Codeforces ELO 1718、Tau2 の3回平均は68.2、BigBench Extra Hard 64.8、MMMLU 86.3、MMMU Pro 73.8、MATH-Vision 82.4、MRCR v2 は8ニードルかつ128Kコンテキストで44.1。カードには Terminal Bench の行も、SWE-bench の行も、IFBench の行もない。

DaisyRose 27Bは代わりに、エージェント型および指示追従のセットを公開している。Terminal Bench 4.1はベースの5.6に対して12.0、Terminal Bench 2.1は75.5、DeepSWE v1.1は46.2、SWE Bench Pro v2は94.7、IFBenchは82.4だ。カードにはMMLU Pro、AIME、Codeforcesの行はない。

併せて読むと、この2つの表は異なる製品を説明している。G​oogleは汎用モデルを公開し、標準的な学術ベンチマークスイート全体でその性能を実証している。RadixArkはエージェントモデルを公開し、標準的なエージェント向けベンチマークスイート全体でその性能を実証している。重なりはおよそ20行のうち2行にすぎず、両者から選ぶ購入者は主にどちらのスイートを重視するかを選んでいる——スコア列が思わせるよりはるかに単純な判断だ。

それぞれの実行場所

ほとんどの読者にとって比較を決定づけるのはこのセクションです。というのも、導入の経緯がまったく交わらないからです。

• Gemma 4 26B A4B — 本日、OrcaRouter 上で入力100万トークンあたり $0.06、出力100万トークンあたり $0.33 でホスト提供されており、同じアーキテクチャの Obsidian ホスト版も並んでいます。オープンウェイトは Apache 2.0 で、bfloat16(2シャード合計で約51.6 GB)、単一のコンシューマー向けカードに載る量子化認識トレーニング済み Q4_0 GGUF、vLLM 向けの w4a16 compressed-tensors ビルド、投機的デコーディング向けのマルチトークン予測ドラフターがあります。Google のモデルファミリーに関する投稿では、より大きな2サイズが「1台の80GB NVIDIA H100 GPU に効率的に収まる」と説明されています。

• DaisyRose 27B — BF16 は約52 GB、FP8 は約29 GB、NVFP4 は約23 GBでBlackwell専用、さらにSGLang用のDSpark投機的デコーディングドラフターを備える。RadixArkはH200、B200、GB300、RTX PRO 6000、RTX 5090、DGX SparkでのシングルGPUデプロイを挙げている。ホスト型APIの価格は存在しない。第三者によるリスティングでは入力100万トークンあたり$0.15、出力100万トークンあたり$1.88と提示されており、これはベンダーの料金ではなく、あるホストの初期提示額である。

これらの数値により、ホスト型コストの差は入力で約2.5倍、出力で約6倍となり、サードパーティに有利になります。これが定価での正直な比較です。また、ワークロードが長くなるとすぐに変わる比較でもあります。スパースモデルはトークンあたり3.8Bの計算量を払い続けるのに対し、デンスモデルは27.8Bを払うため、差は100万トークンあたりのドル額で広がるよりずっと前に、レイテンシとハードウェア秒の面で広がります。

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 26B A4B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; active per token 27.8B; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; hosted price none, self-host only. Right column Gemma 4 26B A4B: parameters 25.2B total; active per token 3.8B; context 256K tokens; GPQA Diamond 82.3; HLE no tools 8.7; hosted price $0.06 in, $0.33 out per million. A footer reads 'Vendor-reported on both sides; harnesses differ, no shared run.' The OrcaRouter logo sits in the bottom-right.

エージェント型トレーニングは1ドルあたりどれだけの価値があるのか

この比較で興味深いのは「どちらのスコアが高いか」ではなく、「エージェント的向上がタスクあたりいくらかかるか」だ。RadixArkのモデルが存在するのは、そのベースモデルであるQwen3.8-27BがTerminal Bench 4.1で5.6、ポストトレーニング後で12.0を記録するからだ。コマンドを実行するコーディングエージェントを動かしているなら、それはほとんどできないモデルと時々できるモデルの違いであり、小さな数値が2倍になることは適切な買い手にとって実際の金銭的価値がある。

Gemma 4 26B A4BにはTerminal Benchの数値が一切なく、そのため価値の主張は公開データからは測定できません。一方で同モデルが備えているのは、実験を安上がりにする価格です。入力トークン100万あたり$0.06なら、H200の1時間分のコストで数千件のエージェント軌跡を実行でき、そのモデルが自分のワークロードにとって重要な形で失敗するかどうかを確かめられます。スパースアーキテクチャはその安さを二重に効かせます — トークン単価は低く、トークンは速く返ってくるのです。

それが実際の判断の構図だ。DaisyRose 27B は、ベンダー報告による特定のエージェント的性能の主張を備え、ホスト提供価格を持たない、専門特化型のポストトレーニングモデルだ。Gemma 4 26B A4B は、広範な公開能力表、高速推論プロファイル、100万トークンあたりセント単位の定価を備えた汎用モデルだ。あなたのタスクが長期的なツール利用であり、自分でホストできるなら、その専門特化モデルはベンチマークする価値がある。タスクがそれ以外の場合、またはホストできない場合、$0.06 の汎用モデルが、重要な唯一の軸で勝つ。

1つのキーから両方を実行

Gemma 4 26B A4B は本日より OrcaRouter で google/gemma-4-26b-a4b-it として提供されており、100万入力トークンあたり $0.06、100万出力トークンあたり $0.33、コンテキスト長 262,144 トークンで、テキスト・画像・動画の入力に対応しています。DaisyRose 27B は執筆時点でカタログに掲載されておらず、本ページでもそのように示唆することはありません — これは SGLang、vLLM、Docker を通じたセルフホスト型のリリースです。

とはいえ、そのベースモデルは存在します。Qwen3.8-27B は qwen/qwen3.8-27b として、入力100万トークンあたり$0.33、出力100万トークンあたり$2.40で提供され、262,144トークンのコンテキスト長と、ポストトレーニング版が保持するのと同じビジョンタワーを備えています。これにより読者には有用な点が2つあります。RLポストトレーニングをデプロイする価値があるかを判断する前に、自分のプロンプトで実行できる同一ファミリーのベースラインが得られること、そしてフォールバック経路です。セルフホストのDaisyRoseインスタンスがサンドボックスのタイムアウトに達した場合、ルーティングルールによって、呼び出しを破棄するのではなくベースモデルに渡すことができます。また、プロバイダーの定価を0%のマークアップでそのまま通しているため、どちらかの側でベンダー価格が変更されれば、それが反映された当日に同じキーへ届きます。

最も安価な次のステップはベンチマークではない。それはGemma 4 26B A4BとQwen3.8-27Bを、この順で自分のエージェントトレース上で実行することだ——まず安価なモデルで、自分のタスクが実際にどこで破綻するかを見て、次により高価なベースラインで、その破綻がベースモデルに起因するのかを確かめる。そこまでやって初めて、18日間のRL事後学習には、成果を証明するための比較対象が生まれる。

この記事で比較したモデル1

この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新