
DaisyRose 27B vs Bonsai 27B: 같은 크기, 상반된 베팅
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100만 토큰당 · 184 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100만 토큰당 · 494 tok/s
- AlibabaNEWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 100만 토큰당 · 385 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100만 토큰당 · 94 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100만 토큰당 · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100만 토큰당 · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100만 토큰당 · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100만 토큰당 · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100만 토큰당 · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100만 토큰당 · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100만 토큰당 · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447지능
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100만 토큰당 · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929지능
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100만 토큰당 · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733지능
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100만 토큰당 · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740지능
DaisyRose 27B와 Bonsai 27B는 둘 다 270억 매개변수 모델로, 262,000토큰 컨텍스트, Apache 2.0 라이선스, Qwen 기반을 갖추고 있지만 다른 모든 측면에서는 거의 정반대다. RadixArk가 2026년 11월 18일에 공개한 DaisyRose 27B는 27B 모델이 에이전트 작업에서 할 수 있는 것을 끌어올리기 위해 H200 시간으로 18일, 약 63,000 GPU 시간을 강화 학습에 투입한다. 52GB의 BF16 가중치로 제공되며 데이터센터 GPU를 필요로 한다. PrismML이 2026년 7월 14일에 공개한 Bonsai 27B는 노력을 반대 방향에 쏟는다. 27B 모델을 가져와 각 가중치를 1.125비트로 압축해 전체가 3.8GB에 들어가고 휴대폰에서 실행된다. 어느 쪽도 더 나은 모델은 아니다. 이들은 "27B의 비용은 얼마여야 하는가"라는 질문에 대한 두 가지 다른 답이며, 원하는 답은 제약이 품질이냐 바이트냐에 전적으로 달려 있다.
어떤 비교를 하기에 앞서 한 가지 주의할 점이 있습니다. 이는 이 페이지에서 어느 정도까지 산술적 비교가 가능한지를 좌우하기 때문입니다. 두 공급업체는 단 하나의 벤치마크도 공유하지 않습니다. RadixArk는 Terminal Bench, DeepSWE, SWE Bench Pro, HLE, IFBench, GPQA Diamond를 보고합니다. PrismML은 자체적인 15개 벤치마크 제품군과 파생된 "지능 밀도" 수치를 보고합니다. 이 두 모델이 모두 측정된 행이 하나도 없으므로, 아래에서는 어떤 점수도 다른 점수에서 빼지 않습니다.
각각이 무엇으로 만들어지는지
계보가 첫 번째 실질적인 차이인데, 둘 다 “Qwen 27B”라고 표기하기 때문에 놓치기 쉽습니다.
• DaisyRose 27B — Qwen3.8-27B의 포스트 트레인으로, 아키텍처는 그대로입니다. 동일한 토크나이저, 동일한 채팅 템플릿, 동일한 비전 타워, 동일한 262,144토큰 컨텍스트. RadixArk의 학습은 동작만 바꿨을 뿐이며, 결과물을 기본 모델의 드롭인 대체품이라고 설명합니다.
• Bonsai 27B — 한 세대 더 오래된 Qwen3.6-27B의 저비트 재구축 모델입니다. 이는 포스트 트레인이 아닙니다. 언어 네트워크가 임베딩, 어텐션, MLP 투영 및 LM 헤드까지 모두 1비트 또는 삼진 정밀도로 엔드투엔드 재인코딩되며, 백본 어디에도 더 높은 정밀도로 도피할 수 있는 경로가 없습니다.
그 세대 격차는 Bonsai에 실질적인 핸디캡이며, 좀처럼 분명하게 언급되지 않는다. Qwen3.6-27B는 RadixArk가 개선 대상으로 삼은 모델이고, Bonsai 27B는 그것의 압축된 복사본이다. 따라서 두 모델을 비교하는 독자는 포스트트레인과 압축을 비교하는 것일 뿐 아니라, 더 새로운 베이스의 포스트트레인을 더 오래된 베이스의 압축과 비교하는 것이기도 하다. 한 단계에 두 가지 변화가 있고, 어느 벤더의 표도 이 둘을 구분해 주지 않는다.
두 팩, 두 발자국
Bonsai 27B는 동일한 모델의 두 가지 가중치 형식으로 제공되며, 그중 하나를 선택하는 것만이 해당 릴리스에서 유일한 실질적 결정입니다.
바이너리 팩 — FP16 그룹 단위 스케일링을 적용한 {−1, +1} 가중치로, 가중치당 유효 1.125비트의 GGUF Q1_0_g128로 패킹됩니다. 배포되는 파일은 3.803GB이며, 카드에서는 배포 풋프린트를 약 3.9GB로 반올림해 표기합니다.
• 삼진 팩 — 동일한 스케일링에서 {−1, 0, +1} 가중치. 삼진 값은 log₂3 ≈ 1.585비트를 담으므로, 이 표현의 하한은 가중치당 약 1.71비트, 즉 이상적으로 5.9GB입니다. 배포된 파일은 7.165GB인데, 현재 커널이 각 삼진 값을 2비트 슬롯에 저장하기 때문입니다 — 배포 시 가중치당 2.125비트입니다. 이 격차는 모델링 선택이 아니라 커널의 한계이며, PrismML은 두 수치를 모두 공개합니다.
DaisyRose 27B는 일반적인 방식으로 출하됩니다. BF16은 약 52GB, FP8은 약 29GB, NVFP4는 약 23GB이며 Blackwell 전용입니다. Bonsai의 3.803GB와 비교하면 바이너리 쪽에서 대략 14배 차이이며, 압축은 공짜가 아닙니다. PrismML 자체 스위트에서 바이너리 팩은 전체 정밀도 기준선의 89.5%, 삼진 팩은 94.6%를 기록합니다.
압축 비용이 실제로 지불되는 곳
PrismML의 카테고리별 분석은 두 릴리스 중 어느 쪽에서든 가장 유용한 부분입니다. 손실이 고르게 분포되지 않음을 보여주기 때문입니다. 15개 벤치마크로 구성된 사고 모드 스위트에서 85.07인 자체 FP16 Qwen3.6-27B 기준선과 비교하면:
• Binary pack — 전체 76.11, 보존율 89.5%. 수학은 95.33에서 91.66으로, 코딩은 88.74에서 81.88로 하락합니다. 지시 따르기는 78.47에서 65.74로, 에이전트형 작업 및 도구 호출 작업은 80.00에서 66.03으로, 비전은 72.61에서 59.57로 하락합니다.
3진 팩 — 전체 80.49, 유지율 94.6%, 3.3GB의 추가 가중치로 전체 정밀도까지의 거리를 약 절반 회복.
그 목록을 DaisyRose 27B가 무엇을 위해 훈련되었는지와 대조해 보면, 두 릴리스는 어떤 단순한 의미에서도 더 이상 비교 가능하지 않게 됩니다. 압축 후 Bonsai 27B의 가장 약한 범주는 에이전트 및 도구 호출로 66.03이며, 기준선 80.00에 비해 — RadixArk가 GPU 시간 18일을 들여 개선한 바로 그 영역에서 15포인트 손실입니다. 한 모델은 작음에 대한 대가를, 다른 모델이 컴퓨팅을 들여 사들이는 통화로 치릅니다. 워크로드가 루프에서 도구를 호출하는 코딩 에이전트라면, Bonsai 27B의 바이너리 팩은 이 비교에서 가장 부적합한 아티팩트이고 DaisyRose 27B가 최적이며, 두 표의 다른 어떤 것도 그 순서를 바꾸지 않습니다.

각 항목이 하드웨어에 요구하는 사항
이 지점에서 비교는 수사적이기보다 구체적인 것이 됩니다.
DaisyRose 27B — 단일 H200, B200 또는 GB300, 또는 NVFP4에서 RTX PRO 6000, RTX 5090 또는 DGX Spark. 권장 서빙 경로는 DSpark 추측 디코딩 드래프터를 갖춘 SGLang으로, 텐서 병렬 처리 1과 FP8 KV 캐시를 사용하여 4-GPU 노드 전반에 4개의 데이터 병렬 복제본을 구성하는 방식입니다. RadixArk는 이러한 구성 중 어느 것에 대해서도 초당 토큰 수 수치를 공개하지 않습니다.
• Bonsai 27B — CUDA, Metal 또는 CPU에서 llama.cpp를 사용하며, 1비트 및 ternary 커널은 업스트림이 아니라 PrismML 자체 포크에 존재하므로 순정 llama.cpp에서는 아직 이를 올바르게 로드하지 못합니다. 바이너리 팩은 12GB 휴대폰에 맞고, ternary 팩은 약간 더 많은 여유 공간이 필요합니다. 드래프터와 비전 타워까지 함께 사용한다면 약 2.4GB를 추가하세요. 3.9GB라는 대표 수치는 배포본 전체가 아니라 언어 가중치이기 때문입니다.
이 둘이 같은 슬롯을 놓고 경쟁하는 구성은 없습니다. 휴대폰의 3.8GB 바이너리 모델과 H200의 52GB BF16 모델은 서로 트레이드오프 관계가 아닙니다. 이들은 서로 다른 제품을 담당합니다. 겹치는 부분은 더 좁고 더 흥미롭습니다. 23GB의 NVFP4 DaisyRose와 7.2GB의 삼진(ternary) Bonsai는 둘 다 소비자용 카드 한 장에 들어가며, 선택이 범주가 아니라 진정한 트레이드오프가 되는 유일한 지점입니다.
증거, 그리고 그 증거가 얼마나 있는지
Bonsai 27B는 출시 후 4개월간의 다운로드 실적을 보유하고 있습니다. 삼진(ternary) GGUF 저장소는 2026년 10월에 590,000건을 넘어섰고, 바이너리 팩은 400,000건을 조금 넘었으며, 두 배포판의 MLX 컨테이너는 각각 100만 건을 넘었습니다. 이것이 시사하는 바는 이 모델의 대부분이 서버가 아니라 Apple 하드웨어에서 실행되고 있으며, 다운로드하는 사람들이 가장 작은 파일보다 리텐션의 추가 5포인트를 선택하고 있다는 것입니다. 이는 품질의 증거라기보다 사용량의 증거이지만, 어느 벤더의 벤치마크 표도 제공하지 못하는 종류의 증거입니다.
DaisyRose 27B는 출시된 지 사흘이며 독립 실행 결과가 없습니다. 일곱 개의 벤치마크 행은 RadixArk의 것으로, RadixArk의 하네스에서 temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh로 측정되었으며, BF16 및 FP8 실행 중 더 나은 결과로 공개되었습니다. 더 큰 시스템과의 교차 모델 비교는 나란히 수행한 실행이 아니라 다른 측의 공개 수치에 기반하며, 모델 카드에도 그렇게 명시되어 있습니다.
두 모델 중 어느 것도 상대와 같은 하네스에서 평가된 적이 없습니다. DaisyRose 수치를 Bonsai 수치 옆에 놓고 결론을 내리는 페이지는 아무도 수행하지 않은 비교를 지어내는 것입니다.

어느 걸 고를까?
결정은 한 가지 질문에 달려 있으며, 그것은 벤치마크 질문이 아니다: 모델이 데이터센터가 없는 곳에서 실행되어야 하는가?
그렇다면 답은 Bonsai 27B이며, 특히 기기가 정말로 메모리 부족 상태가 아니라면 ternary 팩입니다. binary 팩이 에이전틱 및 도구 호출 작업에서 보이는 15포인트 손실은 두 릴리스 중 가장 큰 품질 양보이며, ternary 팩이 차지하는 3.3GB는 full precision까지의 거리를 절반쯤 메워 줍니다. 12GB 휴대폰에서는 대안이 없고, 가중치용으로 8GB를 남길 수 있는 기기라면 ternary 팩이 더 나은 아티팩트입니다.
만약 아니라면 — 모델이 API 뒤에서 또는 서빙 노드에서 실행된다면 — Bonsai 27B의 핵심 이점은 사라지고, DaisyRose 27B의 핵심 이점만 남습니다. H200에 들어가는 모델은 압축할 필요가 없는 모델이며, 그 자리에서 Bonsai로 사게 되는 것은 한 세대 더 오래된 베이스의 89.5% 또는 94.6%로 제한된 27B입니다. RadixArk의 릴리스는 바로 그런 독자를 겨냥하고 있으며, 테스트해야 할 주장은 Terminal Bench 4.1에서 5.6에서 12.0으로의 점프가 공개 하네스에서 재현되는지 여부입니다.
직접 비교를 해볼 수 있는 저렴한 방법
이 글을 쓰는 시점에 DaisyRose 27B도 Bonsai 27B도 OrcaRouter의 카탈로그에 없으며, 이 페이지는 아닌 척하지 않겠습니다. 두 모델의 공통 조상은 Qwen3.8-27B로, qwen/qwen3.8-27b로 백만 입력 토큰당 $0.33, 백만 출력 토큰당 $2.40에 제공되며, DaisyRose 27B가 그대로 유지하는 것과 동일한 262,144 토큰 컨텍스트와 비전 타워를 갖추고 있습니다. 베이스 모델을 자신의 프롬프트로 실행해 보는 것이 포스트 트레이닝이 무엇을 개선하도록 요청받는지 파악하는 가장 저렴한 방법이며, 임대한 H200 대신 몇 센트만 들입니다.
같은 엔드포인트는 이후에 유용한 안전망이 됩니다. 자체 호스팅 DaisyRose 배포가 컨텍스트 윈도가 가득 차거나 작업 도중 샌드박스가 깨지는 상황을 맞으면, 자동 페일오버 규칙이 오류를 반환하는 대신 요청을 기본 모델로 보냅니다. 즉 호출 실패가 아니라 성능이 저하된 답변을 제공합니다. 이것이 이 전체 비교가 다루는 트레이드오프의 실용적인 형태입니다. 상한은 비용을 지불할 가치가 있지만, 그 아래에 무언가가 있을 때만 그렇습니다.
이 페이지를 바꿀 것은 단 하나의 공유 하네스입니다. PrismML이 Qwen3.8-27B, 즉 DaisyRose가 개선한 기반 모델을 압축한다면, 두 모델은 마침내 서로를 측정해 비교할 수 있게 되고, "27B는 3.8 GB가 되면서 무엇을 잃는가"라는 질문은 범주가 아니라 숫자를 갖게 될 것입니다.
