「DaisyRose 27B vs Gemma 4 31B」と表示された生成タイトルカード。サブタイトルは「2つのdenseモデル、2つの異なる役割」。その下に3枚の角丸カードが並び、「DaisyRose: 27.8B dense、RLのみのpost-train」「Gemma 4 31B: 30.7B dense、汎用能力」「GPQA Diamond: 90.7 対 84.3」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 4 31Bの数値はGoogle DeepMindによるもの。」とある。OrcaRouterのロゴが右下にある。
Guides & Insights

DaisyRose 27B 対 Gemma 4 31B:2つのDenseモデル、2つの異なる用途

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 31Bは、この比較ファミリーの中で最も近いペアです。両方とも密で、どちらも270億から310億パラメータの間で、両方とも256Kトークンのコンテキストを持つマルチモーダルで、両方ともApache 2.0で、両方とも重みと一緒に投機的デコーディングのドラフターを提供しています。また、ベンダーが公開を選んだ証拠によれば、異なる購入者を対象としています。Gemma 4 31BはG​oogle DeepMindの汎用モデルです — 設定可能な思考モード、ネイティブ関数呼び出し、140以上の言語、AIMEから文書解析まですべてをカバーする14行の機能表を備えた30.7Bの密モデルです。DaisyRose 27BはRadixArkの専門モデルで、2026年11月18日に公開され、長期的なエージェントタスクで強化学習のみによって事後トレーニングされ、5行のエージェント表で証明されています。モデルは形状がほぼ同一です。各ベンダーが提供する証拠はほぼ別個です。

どちらの表でも両方の名前が載っているベンチマークはただ1つ、GPQA Diamond だけだ。そこでは DaisyRose 27B が 90.7、Gemma 4 31B が 84.3 を報告している。パラメータ数が29億少ないモデルが大学院レベルの科学試験で6.5ポイントの差をつけた――これがこのページの見出しであり、残りの部分は、その見出しが見かけほど分厚くない理由についての話だ。

似通った2つのアーキテクチャ

ブランディングを剥ぎ取れば、スペックシートはこのシリーズの他のどの対決よりも多く重複している。

• パラメータ — DaisyRose 27Bは27.8Bの密モデルで、うち0.46Bがビジョンエンコーダー、0.42Bがマルチトークン予測ヘッドです。対してGemma 4 31Bは30.7Bの密モデルで、約550Mパラメータのビジョンエンコーダーを備えています。どちらもエキスパートルーティングを採用していないため、両者ともアクティブパラメータ数は総パラメータ数と等しくなります。

• コンテキスト — DaisyRose 27B は 262,144 トークン、Gemma 4 31B は 256K。実際には同じ上限です。

• モダリティ — テキストと画像を入力、テキストを出力、両サイズとも。音声はどちらのサイズでも利用できません。Gemma側では、ファミリーのE2B、E4B、12Bメンバーに限定されています。

• ライセンス — 両方とも Apache 2.0 で、両方のモデルカードに明記されています。

• 長文脈技術 — Gemma 4 31B は、60 層、1,024 トークンのローカルスライディングウィンドウをグローバルアテンション全体と交互に配置し、グローバル層ではキーと値を統合し、比例 RoPE を用いることでこれを実現している。DaisyRose 27B は Qwen3.8-27B のアーキテクチャをそのまま継承しており、これは異なる設計系統からたどり着いた同じハイブリッドアテンションのアイデアである。

両者が本当に異なる2つの点は、そのモデルが何を目的としているかを決める点です。Gemma 4 31B には、設定可能なシンキングモード、ネイティブな関数呼び出し、システムロールの明示的なサポートが搭載されています。DaisyRose 27B には、ベースモデルと同一のチャットテンプレートと、幅広さではなくターミナルとツールの挙動に全予算を費やしたトレーニング実行が搭載されています。

彼らが共有する唯一の行

GPQA Diamond(大学院レベルの科学問題198問)は、両方のカードが公開している唯一のベンチマークであり、その2つの数値の背後にある設定は同じ測定ではありません。

DaisyRose 27Bの90.7は、simple-evalsテンプレートを用いた198問に対する8回の実行に由来し、毎回回答順をシャッフルしたうえで、BF16とFP8の実行のうち良い方として報告されている。Gemma 4 31Bの84.3はGoogleのモデルカードに記載された単一の数値であり、実行回数は明記されておらず、表自体にも使用されたハーネスは明記されていない。

つまり、この差は、両ベンダーが同じベンチマーク名で数値を公表しているという意味では実在するものであり、片方には8回の実行と再シャッフル手順がある一方で、もう片方の手法は脚注程度にしか触れられていないという意味では不確かなものだ。6.5ポイントは、198問中およそ33問に相当する。これは198問のセットにおけるサンプリングノイズより大きいが、その規模の評価ハーネスの違いは前例がないわけではなく、どちらのベンダーも相手側の評価を実行していない。

その行を単一のスコアより興味深くしているのは、各モデルのベースに対してどこに位置するかだ。DaisyRose 27BはQwen3.8-27Bに対してGPQA Diamondを89.2から90.7へ改善している——18日間の強化学習による1.5ポイントの向上だ。Gemma 4 31Bは84.3で、同系列の26B A4Bの82.3より2ポイント高い。このベンチマークでは、どちらのモデルも事前学習で置かれた位置に近く、事後学習はどちらも大きく動かしていない。大学院レベルの科学で両者を選ぶなら、6ポイントの差は主にトレーニングレシピの差ではなくベースモデルの差だ。

A screenshot of the Hugging Face model card for google/gemma-4-31B-it showing the repository header, the dense 30.7B description, the 256K-token context, the Apache 2.0 licence and the benchmark comparison table against Gemma 4 26B A4B.

片方だけが記入した表

ここで比較は比較ではなくなり、証拠の選択になる。G​oogleは汎用的な能力表を公開し、RadixArkはエージェント向けの能力表を公開したが、両者は重なり合わない。

Gemma 4 31Bのカードには、MMLU Pro 85.2、AIME 2026(ツールなし)89.2、LiveCodeBench v6 80.0、Codeforces ELO 2150、Tau2 76.9、HLE(ツールなし)19.5および検索あり26.5、BigBench Extra Hard 74.4、MMMLU 88.4、MMMU Pro 76.9、MATH-Vision 85.6、MedXPertQA MM 61.3、OmniDocBench 1.5は0.131、MRCR v2は8ニードル・128Kコンテキストで66.4が記載されている。Terminal Benchの行はなく、SWE-benchの行もIFBenchの行もない。

DaisyRose 27Bのカードには、Terminal Bench 4.1がベース5.6に対して12.0、Terminal Bench 2.1が75.5、DeepSWE v1.1が46.2、SWE Bench Pro v2が94.7、IFBenchが82.4、さらにHLEのテキストのみが34.3、GPQA Diamondが90.7と記載されている。MMLU Pro、AIME、Codeforces、そして視覚ベンチマークの行はまったくない——モデルが視覚エンコーダーを備えているにもかかわらず。

その組み合わせには、名指しする価値のある非対称性が二つある。第一はHLEだ。RadixArkはツールなしで34.3を報告し、Googleはツールなしで19.5、検索ありで26.5を報告している。Gemma 4 31Bにツール支援構成を適用しても、DaisyRose 27Bの数値は8ポイント近く高い。ただし採点者が異なる。RadixArkは問題ごとに5回の実行でGPT-6 Lunaを使ったのに対し、Googleは採点設定を明示していないためだ。第二は視覚だ。DaisyRose 27Bは0.46Bの視覚エンコーダーを搭載しながら、視覚ベンチマークを一切公開していない。そのため、そのマルチモーダル能力は公には測定されていない。Gemma 4 31BはMMMU Pro、MATH-Vision、OmniDocBench、MedXPertQAを公開している。画像理解が必要なら、このうち一方のモデルには根拠があり、もう一方にはエンコーダーがあるだけだ。

メモリ、フォーマット、各ダウンロードにかかるコスト

両モデルはフル精度で52~63GBであり、これにより両者は同じハードウェアクラスに位置づけられるため、比較で役立つ部分はフォーマット一覧になります。

• DaisyRose 27B — BF16 は約52GB、FP8 は約29GB、NVFP4 は約23GBでBlackwell専用。さらに、SGLang向けの投機的デコーディング用ドラフターとして RadixArk/Qwen3.8-27B-DSpark を搭載。リファレンス構成は、4 GPUノード上でテンソル並列1のデータ並列レプリカ4つ、262,144トークンのコンテキスト、FP8 KVキャッシュです。RadixArkは、H200、B200、GB300、RTX PRO 6000、RTX 5090、DGX Sparkでの単一GPUデプロイを挙げています。

• Gemma 4 31B — bfloat16 で、約 49.8 GB と 12.8 GB の 2 つの safetensors シャードに分かれており、合計で約 62.5 GB。QAT Q4_0 GGUF は 17.7 GB に 1.2 GB のビジョンプロジェクターを加えたもので、KV キャッシュ前で約 18.9 GB。これにより、Gemma ラインの dense モデルの最上位が単一の 24 GB コンシューマー向けカードに載る。vLLM 向けの QAT w4a16 compressed-tensors ビルドは 23.3 GB、QAT 重みをパッキングせずに保持する非量子化 Q4_0 チェックポイント、そして 0.94 GB のマルチトークン予測ドラフター。

GGUF という選択肢が具体的な違いだ。Google は自社製の 4 ビットビルドを提供しており、それは 24 GB のカードに収まる。RadixArk は 3 つの精度を提供し、それらを SGLang 経由で配信することを想定している。ワークステーションはあるが配信スタックを持たないチームにとって、これは僅差ではない——一方はダウンロードすれば動き、もう一方はデプロイが必要だ。

引っかかる点が一つある。Gemmaのカードでは、投機的デコーディング用アシスタントがターゲットのチェックポイントの精度と一致していることが求められる。そのため、0.94 GBのドラフターはbfloat16リリースではなくQAT 31Bのターゲットと組み合わせることになる。RadixArkのドラフターはQwen3.8-27Bにちなんで命名されており、DaisyRose 27B自身のFP8ビルドと組み合わせる。

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 31B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; training RL only, 63,000 GPU-hours; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; formats BF16, FP8, NVFP4. Right column Gemma 4 31B: parameters 30.7B dense; training general pretrain plus post-train; context 256K tokens; GPQA Diamond 84.3; HLE no tools 19.5; formats BF16, QAT Q4_0 GGUF, w4a16. A footer reads 'Both vendor-reported; only GPQA Diamond is published on both cards.' The OrcaRouter logo sits in the bottom-right.

コスト、そして価格が付いているもの

Gemma 4 31Bは本日OrcaRouterでgoogle/gemma-4-31b-itとして入力100万トークンあたり$0.13、出力100万トークンあたり$0.38で利用可能です。設定可能な思考、ネイティブ関数呼び出し、256Kコンテキストを備えています。-it接尾辞は、クライアントが渡す文字列の一部です。

DaisyRose 27Bにはベンダーがホストする価格が存在しない。RadixArkのサイトは他社ラボ向けのトレーニングとサービングについて述べており、DaisyRoseのエンドポイントは公開していない。モデルカードが示すのはSGLang、vLLM、Dockerを通じたセルフホスティングのみだ。第三者のリストでは入力100万トークンあたり$0.15、出力100万トークンあたり$1.88と提示されているが、これはベンダーの料率ではなく、あるホストの初期提示価格にすぎない。

並べてみると、ホスト型の比較はベンチマーク表とは逆の結果になる。Gemma 4 31Bは100万入力トークンあたり13セントで、サードパーティホストの15セントに対して有利だが、出力では38セント対1ドル88セントとなる。生成中心のワークロードでは、これはより大きなモデルに有利な5倍の差であり、しかも構造的な理由で存在する。Gemma 4 31Bには複数のプロバイダーが競争する確立されたホスト提供層がある一方、DaisyRose 27Bはホストが1社だけで、履歴も3日分しかない。

A screenshot of the OrcaRouter model catalogue page for google/gemma-4-31b-it showing the model listing, the 30.7B dense description, the 256K-token context and the per-million-token pricing.

各モデルがどの作業のために作られたか

率直にまとめると、これらのモデルは同じ購入を巡って競合しているわけではなく、ベンチマーク表は重ならないことでそれを証明している。

**Gemma 4 31B** は、幅広さが必要ならうってつけのモデルです。抑えられる思考モード、既存のツールスキーマで機能する関数呼び出し、140以上の言語、公開された視覚評価、ワークステーションで動作する量子化ビルド、そして入力トークン100万個あたり13セントというホスト版価格を備えています。汎用製品にとって安全な選択であり、判断を誤った場合のコストも数ドル分のAPI利用料で済みます。

ターミナルエージェントを構築していて、それをホストできるなら、DaisyRose 27B が求めるモデルです。その Terminal Bench 4.1 の数値は自身のベースモデルの2倍超で、SWE Bench Pro v2 は94.7、IFBench は82.4で RadixArk の比較カード上で最高です。これらの数値はすべてベンダー報告であり、独立して再現されたものはなく、モデルは公開から3日です。しかし、この主張の形は検証するのに十分具体的です。Qwen3.8-27B に対して独自のエージェントトレースを実行してください — qwen/qwen3.8-27b として、100万入力トークンあたり$0.33、100万出力トークンあたり$2.40で利用でき、同じ262,144トークンのコンテキストとビジョンタワーを備えています — そして、RadixArk が訓練で取り除いた失敗モードが、実際にあなたが遭遇するものなのかどうかを確認してください。

また、この2つのどちらを選ぶかにとっても最も安上がりな方法です。Gemma 4 31BとQwen3.8-27Bは1つのOrcaRouterキーの背後にあり、2つ目の契約もコード変更も不要、各プロバイダーの定価に対する上乗せは0%なので、どちらかの価格が変わればその日のうちにあなたのところへ届きます。Gemma 4 31Bがあなたのエージェントループをこなせるなら、13セントでおしまいです。こなせず、ベースモデルが同じ箇所で失敗するなら、次に費用を払う価値があるのはH200での18日間のRLポストトレーニングです——その頃には、何を直すためにそれを買うのかが分かっているはずです。