
DaisyRose 27B vs ZWZ2 27B: Gemiddelden versus grenzen
- OrcaNIEUWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 mln tokens · 187 tok/s
- openaiNIEUWOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1 mln tokens · 87 tok/s
- openaiNIEUWOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1 mln tokens · 152 tok/s
- tencentNIEUWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 mln tokens · 194 tok/s
- AlibabaNIEUWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 mln tokens · 86 tok/s
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 705 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 mln tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1 mln tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 101 tok/s
Zet DaisyRose-27B en ZWZ2-27B naast elkaar en je krijgt twee echte reinforcement learning-posttrainingen van Qwen-checkpoints, drie weken na elkaar uitgebracht in het najaar van 2026, gerapporteerd in twee totaal verschillende stijlen. DaisyRose-27B, van RadixArk op 18 november 2026, omvat zeven benchmarks tegenover Qwen3.8-27B, waarbij de grootste relatieve winst op de moeilijkste zit. ZWZ2-27B, van inclusionAI, omvat vijfentwintig benchmarks verspreid over zes domeinen tegenover Qwen3.6-27B, gerapporteerd als een gemiddelde score die stijgt van 55,52 naar 60,51.
Het ene lab publiceerde een grensverleggende prestatie. Het andere publiceerde een gemiddelde. Dat zijn niet hetzelfde soort claim, en het verschil vertelt je meer over waarvoor elk model dient dan welk afzonderlijk getal in een van beide tabellen dan ook.
Verschillende bases, één generatie apart
Het allerbelangrijkste feit in deze confrontatie is dat de twee modellen geen gemeenschappelijke voorouder delen. ZWZ2-27B is gebouwd op Qwen3.6-27B; DaisyRose-27B is gebouwd op Qwen3.8-27B. Dat scheelt één basisgeneratie, en het betekent dat de rechtstreekse vergelijking die een "vs"-pagina normaal uitvoert hier helemaal niet beschikbaar is — niet omdat de cijfers ontbreken, maar omdat het verslaan van een basis uit een vorige generatie iets anders zegt dan het verslaan van de huidige.
De eigen kaart van ZWZ2-27B maakt dit duidelijk door elke winst af te zetten tegen Qwen3.6-27B. De kaart van DaisyRose-27B zet de cijfers af tegen Qwen3.8-27B. Een lezer die de twee verbeteringscijfers vergelijkt, vergelijkt een verbetering ten opzichte van een oudere basis met een verbetering ten opzichte van een nieuwere, en de nieuwere basis begon hoger. Geen enkele rekenkundige bewerking lost dat op, en geen eerlijk artikel zou dat moeten proberen.
Hoe ZWZ2 zichzelf rapporteert
De evaluatie van ZwZ2-27B is per domein georganiseerd in plaats van per benchmarkmoeilijkheid. Vijfentwintig benchmarks gegroepeerd in zes gebieden, elk domein met zijn eigen gemiddelde vóór en na:
• Fijnmazige perceptie — 62,09 tot 67,57, een winst van 5,48 over acht benchmarks, waaronder VStar, HR-Bench 8K en MME-RealWorld.
• Ruimtelijk redeneren — 49,72 tot 55,98, een stijging van 6,26, de grootste domeinwinst.
• Algemeen visueel redeneren — van 47,89 naar 53,71, een stijging van 5,82, over MMStar en BabyVision.
• Belichaamd ruimtelijk — 50,17 tot 55,71, een stijging van 5,54.
• Lange context — 65,87 tot 68,77, een stijging van 2,90.
• Multimodale agenten — 49,73 tot 51,81, een stijging van 2,08, de kleinste winst en tegelijk de meest veelzeggende.
Het algemene gemiddelde stijgt van 55,52 naar 60,51, een stijging van 4,99, en inclusionAI stelt dat het afgestelde model het basismodel verslaat op elk van de vijfentwintig benchmarks. Dat is een sterke bewering over consistentie en een zwakke bewering over een specifieke capaciteit, omdat een gemiddelde over vijfentwintig tests wordt gedomineerd door de tests waarop het model toch al goed was.
Hoe DaisyRose over zichzelf rapporteert
RadixArk koos de tegenovergestelde aanpak: zeven benchmarks, elk afzonderlijk gerapporteerd, met de score van het basismodel ernaast. Terminal Bench 4.1 gaat van 5.6 naar 12.0, Terminal Bench 2.1 van 73.0 naar 75.5, DeepSWE v1.1 van 42.2 naar 46.2, SWE Bench Pro v2 van 91.3 naar 94.7, Humanity's Last Exam van 33.9 naar 34.3, IFBench van 79.5 naar 82.4, GPQA Diamond van 89.2 naar 90.7.
Er wordt geen gemiddelde gegeven, en dat is juist het punt. De opvallendste winst, meer dan een verdubbeling op Terminal Bench 4.1, is een winst vanaf een zeer lage basis — 5,6 ligt dicht bij de ondergrens. De twee benchmarks waarop de basis al sterk was, HLE en GPQA Diamond, bewegen nauwelijks. Als geheel gelezen zegt de tabel dat de tune agentische competentie heeft opgeleverd en algemeen redeneren ongemoeid heeft gelaten, wat precies is wat een beloning gebaseerd op langdurige agenttaken zou moeten opleveren.

Wat een gemiddelde over 25 benchmarks verbergt
De zwakste absolute rijen van ZWZ2-27B zijn de interessante, en zijn eigen modelkaart publiceert ze: Chartography 12,00, AgentVista 18,18, Perception-Bench 44,93 en ScreenSpot-Pro 70,59. Die staan naast domeingemiddelden in de vijftig en zestig, wat betekent dat het gemiddelde overeind wordt gehouden door de benchmarks waarop het model goed presteert, terwijl de echt moeilijke benchmarks bijna op de ondergrens zitten.
Dat is normaal voor een post-train en moet niet als een gebrek worden gezien. Het is echter precies de informatie die een gemiddelde uitwist. Een team dat "60.51" leest en een model verwacht dat voor 60% goed is in alles, zal onaangenaam verrast worden door Chartography op 12. Een team dat de rijen per benchmark leest, weet onmiddellijk voor welke van zijn workloads dit model niet is getraind.
Hetzelfde voorbehoud geldt in omgekeerde zin voor DaisyRose-27B. De score van 12,0 op Terminal Bench 4.1 is een grote relatieve winst en een slecht absoluut resultaat, en de kaart is eerlijk over beide. Het hoofdcijfer van geen van beide modellen doorstaat de confrontatie met de eigen detailrijen.
Architectuur en licentie
Beide erven hun basis ongewijzigd. ZWZ2-27B heeft de Qwen3.6-27B-configuratie zoals gepubliceerd: verborgen grootte 5.120, 64 lagen, 24 query-heads en 4 key-value-heads met dimensie 256, een FFN van 17.408, een zestien keer herhaald drie-op-één-patroon van lineaire naar volledige aandacht, interleaved M-RoPE met een rope-basis van tien miljoen, een vocabulaire van 248.320 en 262.144 native posities. De visietoren heeft 27 lagen met breedte 1.152 en projecteert naar 5.120 met patches van 16 pixels en een 2×2-samenvoeging. Er is geen multi-token-predictionlaag — de configuratie zet die op nul — en de BF16-gewichten lopen op tot ongeveer 54 GB verdeeld over twee shards, met transformers 5.13.1 als de gedocumenteerde route.
DaisyRose-27B heeft de Qwen3.8-27B-config: dezelfde hidden size en hetzelfde aantal lagen, Gated DeltaNet lineaire attention in hetzelfde drie-op-één-patroon, een 0,46B vision-encoder en een 0,42B prediction-head die ZWZ2-27B niet heeft. De context is 262.144 voor beide. DaisyRose wordt geleverd in BF16 op ongeveer 52 GB, FP8 op 29 GB en NVFP4 op 23 GB met een volledig SGLang-servingrecept; ZwZ2-27B wordt alleen in BF16 geleverd.
Licentie — Apache-2.0 voor beide, overgenomen van hun basis.
• Vision — beide accepteren afbeeldingen en retourneren tekst; geen van beide is alleen tekst.
• Quantisaties — drie formaten voor DaisyRose-27B, BF16 alleen voor ZwZ2-27B.
• Documentatie over serveren — een gedetailleerd SGLang-recept met speculatieve decoding voor DaisyRose-27B; een transformers-quickstart voor ZwZ2-27B.
• Onafhankelijke evaluatie — geen voor beide modellen op het moment van schrijven.

De perceptievraag
De winst van ZwZ2-27B concentreert zich in perceptie en ruimtelijk redeneren: fijnmazige perceptie +5,48, ruimtelijk +6,26, belichaamd ruimtelijk +5,54, en high-resolution benchmarks zoals HR-Bench 8K vallen binnen die eerste groep. DaisyRose-27B rapporteert helemaal geen perceptiebenchmark. De vision-encoder is overgenomen en ongewijzigd, en niets op de kaart suggereert dat de reward er vorm aan heeft gegeven.
Die asymmetrie is de beslissing. Als je workload een screenshot, een dichte grafiek, een gescande pagina of een ruimtelijke lay-out is, pakt de kaart van ZwZ2-27B het direct aan en die van DaisyRose-27B niet. Als je workload een terminal, een repository of een lange tool-callsessie is, geldt het omgekeerde: de kaart van DaisyRose-27B staat vol met precies die rijen en het zwakste domein van ZwZ2-27B is multimodale agents met een gemiddelde van 51.81.
Geen van beide kaarten is beter bewijs dan de andere. Ze zijn bewijs over verschillende zaken, geproduceerd volgens verschillende protocollen, en de juiste reactie is om elk ervan te lezen met het oog op de vraag waarvoor het is gemaakt.
Ze uitvoeren en ze mixen
Noch DaisyRose-27B noch ZwZ2-27B wordt vandaag op OrcaRouter gehost. Beide zijn gewichten die je zelf serveert of via platforms van derden bereikt, wat betekent dat beide met hetzelfde operationele probleem kampen: twee checkpoints, twee deployments, twee sets capaciteitsbeslissingen en geen manier om een verzoek naar degene te sturen die op dat moment beschikbaar is.
Daar is routing voor gebouwd. Wanneer twee modellen een workload langs een duidelijke scheidslijn verdelen — waarneming aan de ene kant, agentische actie aan de andere — komt de applicatie er toch op uit om verzoeken te classificeren en twee verschillende endpoints aan te roepen. OrcaRouter's routing-DSL laat die classificatie op één plek leven, waarbij de twee modellen worden samengevoegd tot één aanroeppad, met automatische failover zodat een verzadigde self-hosted deployment doorvalt naar een tweede endpoint in plaats van een fout terug te geven. Voor een tweetal modellen dat zo nieuw en zo summier gedocumenteerd is, gaat failover minder over uptime dan over het niet inzetten van een productiepad op gewichten die al drie weken publiek zijn. OrcaRouter geeft de lijstprijs van de provider door tegen 0% opslag voor alles wat wij hosten, zodat het gehoste been van een gemengde deployment tegen kostprijs wordt geprijsd in plaats van tegen een veelvoud.

Welk rapport kun je vertrouwen voor je beslissing?
Kies ZwZ2-27B als je werk perceptiegericht is en je een model wilt waarvan de kaart dit documenteert aan de hand van vijfentwintig benchmarks — en lees de absolute rijen, niet het gemiddelde. Kies DaisyRose-27B als je werk agentisch is en je een model wilt waarvan de kaart een specifieke, verifieerbare gedragsverandering documenteert ten opzichte van de basis waarvan het afstamt. Kies geen van beide als je onafhankelijke verificatie nodig hebt voordat je je vastlegt: beide tabellen zijn door de leverancier gerapporteerd, geen van beide heeft een Artificial Analysis-score, en het enige getal dat een inkoopteam zou willen — prestatie op je eigen workload — staat in geen van beide documenten.
De vergelijking die er echt toe zal doen, is de volgende. Beide labs zitten op hun eerste model, beide zijn gebouwd op Qwen-checkpoints, en beide gebruikten reinforcement learning als het hele post-trainingverhaal. Als inclusionAI een ZwZ3 op Qwen3.8-27B uitbrengt, of RadixArk een tweede DaisyRose uitbrengt die het agentrecept behoudt en perceptierijen toevoegt, zullen de twee rapportagestijlen eindelijk samenkomen op een gedeelde basis en wordt een echte rechtstreekse vergelijking mogelijk. Tot die tijd is de juiste samenvatting dat deze modellen voor verschillende doeleinden zijn gemeten, en dat het verschil tussen een gemiddelde en een frontier het verschil is tussen vragen "is het over het algemeen beter" en vragen "is het beter in het ding dat ik nodig heb".
