Een titelkaart met 'DaisyRose 27B vs Granite 4.2 30B', ondertiteld '46 punten verschil op Terminal Bench 2.1', boven drie kaarten met 'DaisyRose: 27,8B dense, 75,5 op Terminal Bench 2.1', 'Granite 4.2 30B: 30B dense, 29,24 op Terminal Bench 2.1' en 'Beide: Apache 2.0, eerst zelf hosten', met een voettekst met 'Beide cijfers door de leverancier gerapporteerd, op de eigen harness van elke leverancier.' Het OrcaRouter-logo staat rechtsonder.
Guides & Insights

DaisyRose 27B vs Granite 4.2 30B: 46 punten, twee harnassen

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

DaisyRose 27B en Granite 4.2 30B rapporteren beide een score op Terminal Bench 2.1. DaisyRose 27B, RadixArk's post-training van Qwen3.8-27B die uitsluitend op reinforcement learning is gebaseerd en op 18 november 2026 is gepubliceerd, scoort 75,5 tegenover 73,0 voor het basismodel. Granite 4.2 30B, IBM's dense model met 30 miljard parameters dat op 25 augustus 2026 is uitgebracht, scoort 29,24. Dat is een gat van 46 punten onder dezelfde benchmarknaam, tussen twee dense modellen van vrijwel identieke grootte, en de voor de hand liggende conclusie — dat DaisyRose 27B tweeënhalf keer beter is in agentisch terminalwerk — is vrijwel zeker onjuist. De twee cijfers zijn niet op dezelfde manier tot stand gekomen, en deze pagina gaat grotendeels over hoe een gat van 46 punten kleiner kan zijn dan het lijkt.

De twee modellen hebben meer gemeen dan dat verschil doet vermoeden: beide dense, beide rond de 30 miljard parameters, beide Apache 2.0, beide open-weight-releases zonder een door de leverancier gehoste API-prijs om te noemen, beide specifiek getraind voor agentisch toolgebruik binnen sandboxes. Het zijn het nauwst op elkaar afgestemde paar in deze reeks qua architectuur en qua intentie, en dat is precies waarom de cijfers op hun kaarten zorgvuldig moeten worden gelezen in plaats van van elkaar afgetrokken.

Anatomie van een 46-puntenkloof

Begin met wat elke leverancier zegt over hoe het getal tot stand is gekomen, want beide kaarten zijn ongewoon expliciet en ze beschrijven verschillende metingen.

• DaisyRose 27B — vijf runs per taak op de Terminus 2-harness. De vergelijkingskaart noemt Terminus 2 expliciet en geeft het aantal runs aan. De sampling was temperatuur 1,0, top_p 0,95, top_k 20, reasoning effort xhigh, en de gepubliceerde score is de betere van de BF16- en FP8-runs.

• Granite 4.2 30B — 29,24 op Terminal-Bench 2.1, gerapporteerd als één tabelrij op de modelkaart. De kaart documenteert de agentische training van de familie in detail — een tweede supervised fine-tuning-ronde op upgesamplede agentische software-engineeringdata, gevolgd door agentische reinforcement learning in een sandbox die SWE-bench-achtige taken, terminalbewerkingen en webzoekopdrachten uitvoert — maar de Terminal-Bench-rij zelf vermeldt geen aantal runs, geen harnessnaam en geen samplingconfiguratie.

Die asymmetrie is het hele verhaal achter de 46 punten. De ene leverancier publiceerde een zwaar geïnstrumenteerde score bij maximale redeneerinspanning over vijf runs; de andere publiceerde een tabelcel. Een Terminal-Bench-resultaat bij redeneerinspanning xhigh kan tientallen punten verschuiven ten opzichte van hetzelfde model bij standaardinstellingen, omdat de benchmark een reeks shellcommando's is waarbij een model dat langer nadenkt meer pogingen krijgt om van zijn eigen fouten te herstellen. Een best-effort-, high-effort-cijfer over vijf runs vergelijken met een niet nader gespecificeerd enkel getal is helemaal geen vergelijking.

Er is een tweede asymmetrie, subtieler en interessanter. Het eigen basismodel van DaisyRose 27B, Qwen3.8-27B, scoort 73,0 op dezelfde rij van dezelfde kaart. Dus de post-training van RadixArk verbeterde Terminal Bench 2.1 met 2,5 punten, terwijl de kloof van 46 punten met Granite bestaat uit 44 punten verschil in basismodel en 2 punten training. Alles wat deze twee leveranciers op deze benchmark scheidt, zit in het startpunt, niet in de reinforcement learning.

Waar de tafels samenkomen

Er worden nog twee rijen gedeeld, en beide zijn beter vergelijkbaar dan Terminal-Bench.

• GPQA Diamond — DaisyRose 27B 90,7 over acht runs op 198 vragen met herschikte antwoordvolgorde; Granite 4.2 30B 66,41. Een verschil van 24 punten dat geen enkel harnessverschil aannemelijk verklaart. De basis van DaisyRose scoort 89,2, dus de post-training voegde 1,5 punt toe aan een basismodel dat al ver voorlag.

• IFBench — DaisyRose 27B 82,4 bij vier runs op 300 prompts met de officiële allenai-scorer, strikte nauwkeurigheid op promptniveau exclusief thinking; Granite 4.2 30B 77,17, op de kaart aangeduid als "prompt". Een verschil van 5 punten, en het dichtst bij een echt gelijkspel op beide kaarten.

Het GPQA-cijfer is het cijfer dat moet veranderen hoe een lezer over deze vergelijking denkt. Granite 4.2 30B is een model dat IBM bouwde voor enterprise-agentisch werk — twaalf geteste talen, drie redeneermodi, tool calling, een native context van 128K die uitbreidbaar is tot 512K — en het scoort 66,41 op wetenschap op masterniveau. DaisyRose 27B scoort 90,7. Wat de kanttekeningen bij de harness op Terminal-Bench ook mogen zijn, wetenschapsvragen op masterniveau hebben geen harness die 24 punten kan laten schommelen, en de eerlijke lezing is dat het basismodel van RadixArk, Qwen3.8-27B met 89,2, eenvoudigweg een sterker redeneermodel is dan het basismodel waarmee IBM begon.

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.

Twee heel verschillende ideeën over agentische training

Beide modellen zijn getraind om in een sandbox te werken, en de twee beschrijvingen van die training zijn het onthullendste onderdeel van elk van de twee kaarten.

RadixArks aanpak was zo weinig mogelijk te veranderen. DaisyRose 27B behoudt de architectuur, tokenizer, chattemplate, vision tower en context van 262.144 tokens van Qwen3.8-27B ongewijzigd, en past reinforcement learning toe op ongeveer 1.200 zorgvuldig samengestelde taken met een lange horizon die met Eigent AI zijn gebouwd — taken die zijn ontworpen om meerdere problemen aan elkaar te koppelen, weerstand te bieden aan reward hacking en te draaien in sessies van maximaal één miljoen tokens. Achttien dagen, 144 H200s, 63.000 GPU-uren, ongeveer 944.000 sandboxes. Geen supervised fine-tuning, geen distillatie.

De aanpak van IBM was om het gedrag in fasen te veranderen. De familie van Granite 4.2 30B kreeg een tweede ronde supervised fine-tuning op upgesampelde agentische software-engineeringdata, gevolgd door agentische reinforcement learning waarbij het model in een sandbox werd uitgevoerd op taken in SWE-bench-stijl, terminalbewerkingen en webzoekopdrachten. De modelkaart stelt expliciet dat de 30B de sterkste presteerder van de familie is op reasoning-intensief en agentisch werk. Hij bevat ook een volledige tabel met algemene capaciteiten, twaalf geteste talen, drie denkmodi en ingebouwde chain-of-thought.

De trainingsbeschrijving van geen van beide leveranciers voorspelt het benchmarkprofiel van de ander, en dat is wat de tabellen laten zien: DaisyRose 27B loopt beslissend voorop op de redeneerintensieve rijen en publiceert niets over meertaligheid of vision; Granite 4.2 30B publiceert over de hele enterprise-suite — 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 — en scoort 66.41 waar de twee overlappen op het gebied van wetenschap.

Context, geheugen en het deploymentverhaal

Granite's 512K-extensie is een echte onderscheidende factor die geen enkele benchmarkrij vastlegt, en het loont om precies te zijn over wat de kaart beweert: 128K native, "long-context extension to 512K", waarbij de modeltabel een sequentielengte van 131.072 vermeldt. Extensie is niet hetzelfde als native, en de RULER-cijfers op de kaart laten de kosten zien — 89,96 bij 64K tegenover 81,38 bij 128K op hetzelfde model. DaisyRose 27B neemt het tegenovergestelde standpunt in: een vlakke 262.144 tokens zonder long-contextvariant, overgenomen van Qwen3.8-27B, en RadixArk merkt op dat zijn eigen lange denktruns tienduizenden tokens bereiken, en daar gaat in de praktijk een groot deel van dat venster naartoe.

• DaisyRose 27B-gewichten — BF16 ongeveer 52 GB, FP8 ongeveer 29 GB, NVFP4 ongeveer 23 GB en alleen voor Blackwell, plus het Qwen3.8-27B-DSpark-draftmodel voor speculatieve decodering. RadixArk raadt SGLang met DSpark aan en publiceert een vier-GPU-referentieconfiguratie met een FP8-KV-cache.

• Granite 4.2 30B-gewichten — ongeveer 29B opgeslagen in bfloat16, Apache 2.0, met FP8-, NVFP4/MXFP4- en GGUF-kwantisaties meegeleverd naast de BF16-release. Met 30B dense zit het in dezelfde geheugenklasse als DaisyRose's BF16-build, dus geen van beide heeft een voetafdrukvoordeel dat het discussiëren waard is.

Het verschil in deployment is er een van ondersteuning, niet van omvang. Granite 4.2 30B is al drie maanden downloadbaar en uitvoerbaar, heeft door IBM gepubliceerde kwantisaties voor meerdere runtimes, en er is een ecosysteem van mensen die al tegen de faalmodi ervan zijn aangelopen. DaisyRose 27B is drie dagen oud, heeft drie precisies, één aanbevolen serving-pad en geen gepubliceerd throughput-cijfer voor welke hardwareconfiguratie dan ook.

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.

Geen van beide staat hier op een gehost endpoint

Dit is het minst bevredigende deel van de vergelijking, en het is de moeite waard om het ronduit te zeggen: noch DaisyRose 27B noch Granite 4.2 30B voorkomt in de catalogus van OrcaRouter op het moment van schrijven. RadixArk publiceert geen gehoste DaisyRose-API en verwijst naar SGLang, vLLM en Docker; IBM's Granite 4.2 30B is een release met open gewichten waarvan de praktische route self-hosting is, zonder een leverancierstarief om te noemen. Vermeldingen door derden voor DaisyRose noemen $0,15 per miljoen inputtokens en $1,88 per miljoen outputtokens, wat een openingspositie van een host is en niet een leveranciersprijs, en dat moet ook zo worden gelezen.

Wat dat betekent voor een lezer die een beslissing probeert te nemen, is dat deze vergelijking niet kan worden beslecht door een basis-URL om te schakelen. Beide modellen willen een GPU, en het eerlijke advies is om eerst het goedkopere experiment uit te voeren: als je werklast past binnen de native 128K-context van Granite 4.2 30B en de gepubliceerde capaciteitstabel ervan, dan heeft het model drie maanden van andermans fouten achter zich, en kun je binnen een dag ontdekken of het faalt op jouw taken.

Wat zou deze vergelijking echt maken?

Eén run op één harness zou het grootste deel van deze pagina beslechten. Terminal-Bench is openbaar, de taken liggen vast, en beide modellen laden in aan llama.cpp verwante runtimes bij vergelijkbare precisie. Als iemand DaisyRose 27B en Granite 4.2 30B op dezelfde harness met dezelfde samplinginstellingen publiceerde, zou de kloof van 46 punten ineenstorten tot wat die werkelijk is — waarschijnlijk ergens tussen de cijfers van de twee leveranciers, aangezien die van DaisyRose een best-of-two bij xhigh-inspanning is en die van Granite zonder voorbehoud.

Tot dan is de verdedigbare lezing smaller en nog steeds nuttig: bij wetenschap op masterniveau, waar harnassen het minst uitmaken, ligt RadixArks model ver voor op dat van IBM, met een marge die noch het aantal runs noch het shuffelen van de antwoordvolgorde kan verklaren. Bij instruction following ontlopen de twee elkaar weinig. Bij terminal-agentwerk kan niemand het zeggen, en de gepubliceerde kloof van 46 punten meet minstens evenzeer twee evaluatieopstellingen als twee modellen.

Voor een team dat vandaag kiest, gaat de beslissing minder om de benchmarktabel dan om rijpheID. Granite 4.2 30B is een voltooid, gedocumenteerd enterprisemodel van drie maanden oud, met kwantisaties en een meertalige tabel. DaisyRose 27B is een achttiendaags reinforcement-learning-experiment met een opvallende reeks leverancierscijfers, één gedeelde rij die deze ondersteunt, en geen enkele vorm van onafhankelijke reproductie. Als de werkbelasting productie is en de deadline nu ligt, geeft dat verschil de doorslag. Als de werkbelasting een agent is die je zelf beheert en je het je kunt veroorloven om te benchmarken, zijn de GPQA- en IFBench-rijen van DaisyRose 27B reden genoeg om hem op dezelfde harness te zetten als het model dat je vandaag draait en te kijken wat er gebeurt.