「DaisyRose 27B vs Granite 4.2 30B」と書かれたタイトルカード。サブタイトルは「Terminal Bench 2.1で46ポイント差」。その上に3枚のカードが並び、それぞれ「DaisyRose: 27.8B dense、Terminal Bench 2.1で75.5」「Granite 4.2 30B: 30B dense、Terminal Bench 2.1で29.24」「両方: Apache 2.0、セルフホスト優先」と書かれている。フッターには「両方の数値はベンダー報告によるもので、各ベンダー独自のハーネスによるもの」とある。OrcaRouterのロゴは右下にあります。
Guides & Insights

DaisyRose 27B 対 Granite 4.2 30B:46ポイント、2つのハーネス

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Granite 4.2 30Bはどちらも、Terminal Bench 2.1のスコアを報告している。DaisyRose 27Bは、RadixArkが2026年11月18日に公開したQwen3.8-27Bの強化学習のみによる事後学習モデルで、ベースモデルの73.0に対して75.5を記録する。Granite 4.2 30Bは、IBMが2026年8月25日にリリースしたDense型の300億パラメータモデルで、29.24を記録する。これは同じベンチマーク名において、ほぼ同一サイズの2つのDenseモデルの間に46ポイントの差があるということであり、「DaisyRose 27Bはエージェント型ターミナル作業で2.5倍優れている」という自然な結論は、ほぼ確実に誤りである。この2つの数値は同じ方法で算出されたものではなく、本ページは主に、46ポイントの差が見た目より小さくなり得る理由について述べる。

両モデルには、その差が示唆する以上の共通点があります。どちらもDenseで、どちらも約300億パラメータ、どちらもApache 2.0、どちらもオープンウェイトのリリースで、ベンダーがホストするAPIの価格を提示するものはなく、どちらもサンドボックス内でのエージェント型ツール使用に特化して訓練されています。アーキテクチャと意図の両面で、このシリーズ中最も近い組み合わせだからこそ、それぞれのカードに記載された数値は引き算するのではなく、注意深く読む価値があるのです。

46ポイント差の解剖

まず、各ベンダーがその数値がどのように算出されたかについて述べていることから始めましょう。どちらのカードも異常なほど明確で、異なる測定方法を説明しているからです。

• DaisyRose 27B — Terminus 2 ハーネス上でタスクごとに5回実行。比較カードには Terminus 2 が明記され、実行回数も記載されている。サンプリングは temperature 1.0、top_p 0.95、top_k 20、reasoning effort xhigh で、公開スコアは BF16 と FP8 の実行のうち良い方である。

• Granite 4.2 30B — Terminal-Bench 2.1で29.24。モデルカードの表の1行として報告されている。カードには、このファミリーのエージェント型トレーニングが詳細に記されている。すなわち、アップサンプリングされたエージェント型ソフトウェアエンジニアリングデータに対する2回目の教師あり微調整と、その後、サンドボックス内でSWE-bench形式のタスク、ターミナル操作、ウェブ検索を行うエージェント型強化学習である。しかし、Terminal-Benchの行自体には、実行回数の記載も、ハーネス名も、サンプリング設定もない。

その非対称性こそが、46ポイントという話のすべてだ。一方のベンダーは、最大の推論努力で5回実行した、高度に計測されたスコアを公表した。もう一方は、表のセルを1つ公表しただけだ。推論努力xhighでのTerminal-Benchの結果は、同じモデルのデフォルト設定と比べて数十ポイント変動しうる。なぜなら、このベンチマークはシェルコマンドの連続であり、より長く考えるモデルほど、自身のミスから回復する試行を多く得られるからだ。ベストエフォートで高努力の5回実行の数値を、条件を明示しない単一の数値と比較することは、比較ですらない。

2つ目の非対称性があり、こちらはより微妙で興味深い。DaisyRose 27B自身のベースモデルであるQwen3.8-27Bは、同じカードの同じ行で73.0を記録している。つまり、RadixArkの事後学習はTerminal Bench 2.1を2.5ポイント改善した一方で、Graniteとの46ポイント差は、ベースモデル間の差が44ポイント、学習による差が2ポイントということになる。このベンチマークでこの2社を分けているものはすべて出発点にあり、強化学習にあるのではない。

テーブルが交わるところ

さらに2行が共有されており、どちらもTerminal-Benchよりも比較しやすい。

• GPQA Diamond — DaisyRose 27B は、回答順をシャッフルした198問で8回実行して90.7。Granite 4.2 30B は66.41。ハーネスの違いでは到底説明できない24ポイントの差。DaisyRose のベースは89.2を記録しており、ポストトレーニングはすでに大きくリードしていたベースモデルに1.5ポイントを上乗せした。

• IFBench — DaisyRose 27B は、公式の allenai スコアラーを用いた 300 プロンプトでの 4 回の実行で 82.4、思考を除く厳格なプロンプトレベルの精度。Granite 4.2 30B は 77.17 で、カード上では「prompt」と表示。5 ポイントの差があり、どちらのカードでも真の引き分けに最も近いもの。

GPQAの数値こそ、読者がこの対決をどう捉えるべきかを変えるはずのものだ。Granite 4.2 30BはIBMが企業向けエージェント作業のために構築したモデルで、12のテスト済み言語、3つの推論モード、ツール呼び出し、512Kまで拡張可能な128Kのネイティブコンテキストを備え、大学院レベルの科学で66.41を記録する。DaisyRose 27Bは90.7を記録する。Terminal-Benchにおけるハーネスの注意点が何であれ、大学院レベルの科学問題には24ポイントも振れるハーネスはなく、正直な解釈としては、RadixArkのベースモデルであるQwen3.8-27B(89.2)は、IBMが起点としたベースモデルよりも単純に強力な推論モデルだ。

A screenshot of the Hugging Face model card for ibm-granite/granite-4.2-30b, showing the model summary with 30B dense parameters, the 128K native context with 512K extension, the Apache 2.0 licence, the three reasoning modes and the benchmark table including GPQA 66.41 and Terminal-Bench 2.1 at 29.24.

エージェント型トレーニングに関する2つの大きく異なる考え方

両モデルはサンドボックス内で動作するように訓練されており、その訓練に関する2つの記述は、どちらのカードにおいても最も示唆に富む部分である。

RadixArkのアプローチは、できる限り変更を加えないことだった。DaisyRose 27Bは、Qwen3.8-27Bのアーキテクチャ、トークナイザー、チャットテンプレート、ビジョンタワー、262,144トークンのコンテキストを変更せずに維持し、Eigent AIで構築された約1,200件の厳選された長期的タスクに強化学習を適用している。これらのタスクは、複数の問題を連鎖させ、報酬ハッキングに抵抗し、最大100万トークンのセッションで実行できるように設計されている。18日間、144台のH200、63,000 GPU時間、約944,000個のサンドボックス。教師ありファインチューニングなし、蒸留なし。

IBMのアプローチは、挙動を段階的に変えていくことでした。Granite 4.2 30Bのファミリーは、アップサンプリングされたエージェント型ソフトウェアエンジニアリングデータに対して2回目の教師ありファインチューニングを経て、その後、SWE-bench形式のタスク、ターミナル操作、ウェブ検索においてサンドボックス内でモデルを実行するエージェント型強化学習を行いました。モデルカードは、30Bが推論集約型およびエージェント型の作業においてファミリー内で最も高い性能を発揮することを明言しています。また、汎用能力の完全な一覧表、12のテスト済み言語、3つの思考モード、組み込みの思考連鎖(chain-of-thought)も備えています。

どちらのベンダーのトレーニング説明も、相手のベンチマークプロファイルを予測させるものではなく、表が示しているのもその通りだ。DaisyRose 27B は推論重視の行で決定的にリードし、多言語や視覚については何も公表していない。Granite 4.2 30B はエンタープライズスイート全体にわたって公表しており——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——科学で両者が重なる箇所では66.41を記録している。

コンテキスト、メモリ、そしてデプロイの物語

Graniteの512K拡張は、どのベンチマークの行にも捉えきれていない真の差別化要因であり、このカードが何を主張しているのかを正確に見ておく価値がある。128Kネイティブ、「512Kへの長文コンテキスト拡張」であり、モデル表にはシーケンス長131,072と記載されている。拡張はネイティブと同じではなく、カード上のRULERの数値がそのコストを示している——同一モデルで64K時89.96に対し、128K時81.38だ。DaisyRose 27Bは逆の立場を取る。長文コンテキスト版はなく、Qwen3.8-27Bから受け継いだ262,144トークン固定であり、RadixArkは、自身の長い思考の実行が数万トークンに達し、実際にはそのウィンドウの大部分がそこに費やされると指摘している。

• DaisyRose 27B の重み — BF16 で約52 GB、FP8 で約29 GB、NVFP4 で約23 GB かつ Blackwell 専用。さらに Qwen3.8-27B-DSpark の投機的デコーディング用ドラフターも含みます。RadixArk は DSpark を併用した SGLang を推奨し、FP8 KV キャッシュを用いた4 GPU のリファレンス構成を公開しています。

• Granite 4.2 30B の重み — bfloat16 で約 29B を保存、Apache 2.0、BF16 リリースと同時に FP8、NVFP4/MXFP4、GGUF 量子化も提供。30B dense では DaisyRose の BF16 ビルドとほぼ同じメモリクラスに収まるため、どちらにも議論に値するフットプリント上の優位性はない。

デプロイ面での違いは規模ではなくサポートだ。Granite 4.2 30Bは3か月前からダウンロードして実行でき、IBMが複数のランタイム向けの量子化版を公開しており、すでにその障害モードに遭遇した人々のエコシステムもある。DaisyRose 27Bは登場から3日で、精度は3種類、推奨されるサービング経路は1つだけで、どのハードウェア構成についても公開されたスループット値はない。

A generated two-column scoreboard titled 'DaisyRose 27B vs Granite 4.2 30B — the scoreboard'. Left column DaisyRose 27B: Parameters 27.8B dense; Context 262,144 tokens; Terminal Bench 2.1 75.5; GPQA Diamond 90.7; IFBench 82.4; Released 18 November 2026. Right column Granite 4.2 30B: Parameters 30B dense; Context 128K native, 512K extended; Terminal Bench 2.1 29.24; GPQA Diamond 66.41; IFBench 77.17; Released 25 August 2026. Footer reads 'Both vendor-reported on separate harnesses; the Terminal-Bench rows were not run the same way.' The OrcaRouter logo sits in the bottom-right.

どちらもここではホストされたエンドポイント上にありません。

これは比較の中で最も満足のいくものではない節であり、率直に言っておく価値がある:DaisyRose 27BもGranite 4.2 30Bも、OrcaRouterのカタログには掲載されていない(執筆時点)。RadixArkはホスト型のDaisyRose APIを公開しておらず、SGLang、vLLM、Dockerを指し示している。IBMのGranite 4.2 30Bはオープンウェイトのリリースであり、実用的な道はセルフホスティングで、引用できるベンダー料金はない。DaisyRoseのサードパーティー掲載では$0.15/100万入力トークン、$1.88/100万出力トークンと示されており、これはベンダー価格ではなくホストの最初の提示額であり、そのように読むべきである。

判断しようとしている読者にとって、これが意味するのは、この比較はベースURLを切り替えるだけでは決着できないということだ。どちらのモデルもGPUを必要とし、正直な助言は、より安価な実験を先に実行することだ。ワークロードがGranite 4.2 30Bの128Kネイティブコンテキストと公表された能力表に収まるなら、そのモデルには他者の3か月分の過ちが蓄積されており、自分のタスクで失敗するかどうかを1日で見極められる。

この比較を現実のものにするには何が必要だろうか

1つのハーネスでの1回の実行で、このページの議論の大半には決着がつく。Terminal-Benchは公開されており、タスクは固定で、両モデルはllama.cpp系のランタイムで同程度の精度で読み込める。もし誰かがDaisyRose 27BとGranite 4.2 30Bを、同じハーネス・同じサンプリング設定で公開すれば、46ポイントの差は実際の差へと縮まるだろう——おそらく両ベンダーの数値の間のどこかになる。DaisyRoseの数値はxhighエフォートでの2回中ベストで、Graniteの数値は条件を明示していないからだ。

それまでは、擁護可能な解釈はより限定的で、それでも有用だ。大学院レベルの科学では、ハーネスが最も重要でない領域であり、RadixArkのモデルはIBMのモデルをはるかに上回っており、その差は実行回数でも回答順のシャッフルでも説明できない。指示追従では両者は近い。ターミナルエージェント作業については誰にも判断できず、公表された46ポイントの差は、2つのモデルを測るのと少なくとも同程度に、2つの評価設定を測っている。

今日選ぶチームにとって、判断材料はベンチマーク表よりも成熟度だ。Granite 4.2 30B は、完成済みで文書も揃った、3か月前に登場したエンタープライズモデルであり、量子化と多言語表を備えている。DaisyRose 27B は18日前の強化学習実験であり、目を引くベンダー数値の一群と、それを裏付ける共有された1行があるだけで、独立した再現は一切ない。ワークロードが本番で、期限が今なら、その違いが決め手になる。ワークロードが自分で制御するエージェントで、ベンチマークを実施する余裕があるなら、DaisyRose 27B の GPQA と IFBench の行は、今日運用しているモデルと同じハーネスに載せてどうなるか見る十分な理由になる。