生成されたタイトルカードには「DaisyRose 27B vs ZWZ2 27B」と表示され、サブタイトルは「平均値 対 フロンティア」、左カードには Qwen3.8-27B ベースの DaisyRose-27B、報告されたベンチマークは7つ、見出しの Terminal Bench 4.1 は 12.0 中 4.1、右カードには Qwen3.6-27B ベースの ZwZ2-27B、報告されたベンチマークは25、見出しの平均値は60.51、フッターには「両テーブルともベンダー報告、ベースは1世代違い」、そして OrcaRouter のロゴ。
Guides & Insights

DaisyRose 27B vs ZWZ2 27B:平均 vs フロンティア

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

を並べてみるとDaisyRose-27BとZWZ2-27B、2026年秋に3週間違いで公開され、まったく異なる2つのスタイルで報告された、Q​wenチェックポイントの本物の強化学習ポストトレイン2つが手に入る。RadixArkによる2026年11月18日公開のDaisyRose-27Bは、Qwen3.8-27Bに対する7つのベンチマークで評価されており、最大の相対的向上は最も難しいベンチマークで得られている。inclusionAIによるZWZ2-27Bは、Qwen3.6-27Bに対する6領域にまたがる25のベンチマークで評価され、平均スコアが55.52から60.51へ上昇したと報告されている。

一方のラボはフロンティアとなる結果を公表し、もう一方は平均値を公表した。これは同じ種類の主張ではなく、その違いは、どちらの表にあるどの単一の数値よりも、それぞれのモデルが何のためにあるのかを雄弁に物語っている。

異なる基地、一世代の隔たり

この対決で最も重要な唯一の事実は、両モデルが共通の祖先を持たないことです。ZWZ2-27B は Qwen3.6-27B を基に構築され、DaisyRose-27B は Qwen3.8-27B を基に構築されています。これはベース世代が1世代異なるということであり、つまり「vs」ページが通常行う直接対決は、ここではまったく成立しないということです。数字が欠けているからではなく、前世代のベースに勝つことは現行世代のベースに勝つこととは異なる意味を持つからです。

{{1}}ZWZ2-27B{{/1}}自身のカードは、すべての向上幅を{{2}}Qwen3.6-27B{{/2}}に対して報告することで、この点を明確にしている。{{3}}DaisyRose-27B{{/3}}のカードは{{4}}Qwen3.8-27B{{/4}}に対して報告している。二つの向上幅を比較する読者は、古いベースに対する改善と新しいベースに対する改善を比較しており、しかも新しいベースの方が出発点が高かった。算術ではそれを埋め合わせられないし、誠実な記事なら試みるべきでもない。

ZWZ2 が自身を報告する方法

ZwZ2-27Bの評価は、ベンチマークの難易度ではなくドメインごとに構成されています。25のベンチマークが6つの領域にグループ化され、各ドメインにはそれぞれ独自の前後の平均値が付随しています:

• 細粒度知覚 — 62.09から67.57へ、VStar、HR-Bench 8K、MME-RealWorldを含む8つのベンチマークで5.48ポイントの向上。

• 空間推論 — 49.72から55.98へ、6.26上昇、領域別で最大の伸び。

• 汎用視覚推論 — 47.89から53.71、5.82ポイント上昇、MMStarとBabyVisionにわたる。

• 身体化された空間 — 50.17から55.71、5.54増加。

• 長いコンテキスト — 65.87から68.77へ、2.90上昇。

• マルチモーダルエージェント — 49.73から51.81へ、2.08の上昇。最も小さな伸びであり、最も雄弁に物語るものだ。

全体平均は55.52から60.51へと4.99上昇し、inclusionAIは、チューニング済みモデルが25個のベンチマークすべてでベースモデルを上回ると述べている。これは一貫性に関する強い主張であり、個々の能力に関する弱い主張である。なぜなら、25個のテストにわたる平均は、モデルがもともと得意だったテストに支配されるからだ。

DaisyRoseは自身についてどう報告しているか

RadixArkは逆のアプローチを取った。7つのベンチマークをそれぞれ個別に報告し、その横にベースモデルのスコアを併記した。Terminal Bench 4.1は5.6から12.0へ、Terminal Bench 2.1は73.0から75.5へ、DeepSWE v1.1は42.2から46.2へ、SWE Bench Pro v2は91.3から94.7へ、Humanity's Last Examは33.9から34.3へ、IFBenchは79.5から82.4へ、GPQA Diamondは89.2から90.7へ。

平均値は示されておらず、そこが要点だ。見出しになる改善は、Terminal Bench 4.1 で2倍超だが、それは非常に低い基準値からの改善だ——5.6は下限に近い。基準値がすでに高かった2つのベンチマーク、HLEとGPQA Diamondはほとんど動かない。全体として読むと、この表は、このチューニングがエージェント能力を獲得し、一般推論には手を付けなかったことを示しており、それは長期的なエージェントタスクに基づく報酬が生むべきものまさにそのものだ。

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.'

25個のベンチマーク平均が隠しているもの

ZWZ2-27Bの最も弱い絶対値の行こそが興味深く、しかもそのモデルカード自体がそれを公表している。Chartography 12.00、AgentVista 18.18、Perception-Bench 44.93、ScreenSpot-Pro 70.59だ。これらは50台・60台のドメイン平均と並んでおり、つまり平均はモデルが得意なベンチマークによって押し上げられていて、本当に難しいものは底付近にあるということだ。

ポストトレーニングではそれは正常であり、欠陥として読むべきではない。しかし、それはまさに平均値が消し去る情報である。「60.51」を読んで、あらゆる点で60%優れたモデルを期待するチームは、Chartographyの12にひどく驚くだろう。ベンチマークごとの行を読むチームは、このモデルがどのワークロード向けに訓練されていないかを即座に知る。

同じ注意事項は、DaisyRose-27Bにも逆方向に当てはまる。Terminal Bench 4.1のスコア12.0は、相対的には大きな向上であり、絶対的には低い結果であり、カードはその両方について正直に示している。どちらのモデルの見出し数字も、自身の詳細行と突き合わせた時点で通用しなくなる。

アーキテクチャとライセンス

どちらもベースを変更せずに継承します。ZWZ2-27Bは、公開されているQwen3.6-27Bの設定をそのまま備えています。隠れ層サイズ5,120、64層、次元256のクエリヘッド24個とキーバリューヘッド4個、FFN 17,408、3対1の線形対フルアテンションパターンを16回繰り返す構成、rope baseが1000万のインターリーブM-RoPE、語彙数248,320、ネイティブ位置262,144です。ビジョンタワーは幅1,152の27層で、16ピクセルパッチと2×2マージにより5,120へ射影します。マルチトークン予測層はなく、設定でゼロにされています。BF16の重みは2つのシャードにまたがって約54GBで、文書化されたパスはtransformers 5.13.1です。

DaisyRose-27BはQwen3.8-27Bの構成を採用しています。隠れサイズとレイヤ数は同じで、Gated DeltaNet線形アテンションを同じ3対1のパターンで備え、0.46Bのビジョンエンコーダと、ZWZ2-27Bにはない0.42Bの予測ヘッドを搭載しています。コンテキスト長は両方とも262,144です。DaisyRoseはBF16で約52 GB、FP8で29 GB、NVFP4で23 GBとして提供され、完全なSGLangサービングレシピも付属します。ZwZ2-27BはBF16のみの提供です。

• ライセンス — 両方とも Apache-2.0 で、それぞれのベースから継承されています。

• Vision — どちらも画像を受け取り、テキストを返します。テキスト専用ではありません。

• 量子化 — DaisyRose-27B は3形式、ZwZ2-27B は BF16 のみ。

• サービングドキュメント — DaisyRose-27B 向けの投機的デコーディングを用いた詳細な SGLang レシピ、ZwZ2-27B 向けの transformers クイックスタート。

• 独立した評価 — 執筆時点ではどちらのモデルにもありません。

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.

知覚の問い

ZwZ2-27Bの向上は知覚と空間推論に集中している。細粒度知覚は5.48向上、空間は6.26向上、身体化空間は5.54向上し、HR-Bench 8Kのような高解像度ベンチマークはその最初のグループに含まれる。DaisyRose-27Bは知覚ベンチマークを一切報告していない。その視覚エンコーダは継承されたままで手を加えられておらず、報酬がそれを形作ったことを示唆する記述はカードのどこにもない。

その非対称性が判断の決め手です。ワークロードがスクリーンショット、高密度のグラフ、スキャンしたページ、または空間レイアウトであるなら、ZwZ2-27B のカードはそれを直接扱いますが、DaisyRose-27B のカードは扱いません。ワークロードがターミナル、リポジトリ、または長いツール呼び出しセッションであるなら、逆が当てはまります。DaisyRose-27B のカードはまさにそうした行でいっぱいで、ZwZ2-27B の最も弱い領域はマルチモーダルエージェントで、平均 51.81 です。

どちらのカードも、他方より優れた証拠というわけではない。それらは異なる事柄についての証拠であり、異なるプロトコルの下で作成されている。適切な対応は、それぞれが答えるために作られた問いに照らして読むことだ。

それらを実行し、混ぜ合わせること

DaisyRose-27BもZwZ2-27Bも、現在{{1}}OrcaRouter{{/1}}上ではホストされていません。どちらも自身でサーブするか、サードパーティのプラットフォームを通じてアクセスする重みであり、つまり両方とも同じ運用上の問題を抱えています。2つのチェックポイント、2つのデプロイ、2組のキャパシティ判断、そしてその時点で利用可能な方へリクエストを送る手段がないということです。

まさにルーティングが想定して作られたケースです。2つのモデルがワークロードをきれいに分けるとき——知覚を一方に、エージェント的行動を他方に——アプリケーションは結局、リクエストを分類し、2つの異なるエンドポイントを呼び出すことになります。OrcaRouterのルーティングDSLを使えば、その分類を1か所に置き、2つのモデルを単一の呼び出しパスに組み合わせることができます。さらに自動フェイルオーバーにより、飽和したセルフホスト型デプロイメントはエラーを返す代わりに2番目のエンドポイントへフォールスルーします。これほど新しく、これほど文書化の薄いモデルペアにとって、フェイルオーバーは稼働率のためというより、公開されて3週間しか経っていない重みに本番パスを賭けないためのものです。OrcaRouterはまた、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、当社がホストするすべてのものについて、混在デプロイメントのホスト型部分を倍率ではなく原価で価格設定します。

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.

意思決定において、どのレポートを信頼すべきか

知覚を最優先する仕事をしていて、25のベンチマークにわたってそれをモデルカードに記録しているモデルが欲しいなら、ZwZ2-27Bを選べ。そして平均値ではなく絶対値の行を読め。エージェント型の仕事をしていて、元になったベースモデルに対する具体的で検証可能な挙動変化をモデルカードに記録しているモデルが欲しいなら、DaisyRose-27Bを選べ。コミット前に独立した検証が必要なら、どちらも選ぶな。両方の表はベンダー報告であり、どちらにもArtificial Analysisスコアはなく、調達チームが欲しがる唯一の数値——自社のワークロードでの性能——はどちらの文書にも載っていない。

実際に重要になる比較は次のものだ。両ラボは最初のモデルに取り組んでおり、どちらもQwenのチェックポイントを基盤にし、どちらもポストトレーニングの取り組み全体として強化学習を用いた。inclusionAIがQwen3.8-27BでZwZ3をリリースするか、RadixArkがエージェントのレシピを維持しつつ知覚の行を追加した第2のDaisyRoseをリリースすれば、2つの報告スタイルはついに共通の基盤上で出会い、本当の直接対決が可能になる。それまでは、これらのモデルは異なる目的で測定されたというのが正しい要約であり、平均とフロンティアの違いは、「全体としてより優れているか」と問うことと、「自分が必要とする事柄でより優れているか」と問うことの違いである。