
DaisyRose 27B vs Bonsai 27B: ten sam rozmiar, przeciwne założenia
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 184 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 494 tok/s
- AlibabaNOWOŚĆQwen: Qwen4 Max2026-11-16$1.50 / $4.50 za 1 mln tokenów · 385 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 94 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
DaisyRose 27B i Bonsai 27B to oba modele z 27 miliardami parametrów, kontekstem 262 000 tokenów, licencją Apache 2.0 i bazą Qwen, a pod każdym innym względem są niemal przeciwieństwami. DaisyRose 27B, opublikowany przez RadixArk 18 listopada 2026 r., zużywa osiemnaście dni pracy H200 i około 63 000 godzin GPU na uczenie ze wzmocnieniem, aby zwiększyć możliwości modelu 27B w zadaniach agentowych; jest dostarczany jako 52 GB wag BF16 i wymaga GPU dla centrów danych. Bonsai 27B, opublikowany przez PrismML 14 lipca 2026 r., kieruje wysiłek w przeciwną stronę: bierze model 27B i kompresuje wagi do 1,125 bita każda, dzięki czemu całość mieści się w 3,8 GB i działa na telefonie. Żaden z nich nie jest lepszym modelem. To dwie różne odpowiedzi na pytanie „ile powinien kosztować model 27B”, a odpowiedź, której chcesz, zależy wyłącznie od tego, czy ograniczeniem jest jakość, czy bajty.
Jedno zastrzeżenie przed jakimkolwiek porównaniem, ponieważ decyduje ono o tym, jak dużą część tej strony można oprzeć na arytmetyce: obaj dostawcy nie dzielą ze sobą ani jednego benchmarku. RadixArk podaje wyniki Terminal Bench, DeepSWE, SWE Bench Pro, HLE, IFBench i GPQA Diamond. PrismML podaje własny zestaw piętnastu benchmarków oraz wyliczany na ich podstawie wskaźnik „gęstości inteligencji”. Nie ma ani jednego wiersza, w którym oba te modele zostały zmierzone, więc poniżej nic nie odejmuje jednego wyniku od drugiego.
Z czego zbudowany jest każdy z nich
Pochodzenie to pierwsza prawdziwa różnica i łatwo ją przeoczyć, ponieważ oba modele są oznaczone jako „Qwen 27B”.
• DaisyRose 27B — model po dodatkowym treningu Qwen3.8-27B, architektura bez zmian. Ten sam tokenizer, ten sam szablon czatu, ta sama wieża wizyjna, ten sam kontekst 262 144 tokenów. Trening RadixArk zmienił zachowanie i nic więcej, a jego wynik określany jest jako zamiennik typu drop-in dla modelu bazowego.
• Bonsai 27B — niskobitowa przebudowa Qwen3.6-27B, o jedną generację starszego. To nie jest post-train: sieć językowa jest przekodowana od końca do końca z precyzją 1-bitową lub trójkową — zarówno osadzenia, mechanizmy uwagi, projekcje MLP, jak i LM head — bez żadnej furtki ucieczki do wyższej precyzji nigdzie w backbone.
Ta różnica pokoleń to realne obciążenie dla Bonsai i rzadko mówi się o tym wprost. Qwen3.6-27B to model, który RadixArk wybrał jako bazę do ulepszenia; Bonsai 27B jest jego skompresowaną kopią. Czytelnik porównujący te dwa modele porównuje więc nie tylko model po treningu z kompresją, lecz model po treningu nowszej bazy z kompresją starszej. Dwie zmiany w jednym kroku, a tabela żadnego z dostawców ich nie rozdziela.
Dwa opakowania, dwa ślady
Bonsai 27B jest udostępniany w dwóch formatach wag tego samego modelu, a wybór między nimi to jedyna prawdziwa decyzja w ramach tego wydania.
• Pakiet binarny — wagi {−1, +1} z grupowym skalowaniem FP16, spakowane jako GGUF Q1_0_g128 przy 1,125 efektywnego bitu na wagę. Dostarczany plik ma 3,803 GB; karta zaokrągla wdrożony rozmiar do około 3,9 GB.
• Pakiet trójkowy — wagi {−1, 0, +1} przy tym samym skalowaniu. Wartość trójkowa niesie log₂3 ≈ 1,585 bita, więc dolna granica reprezentacji wynosi około 1,71 bita na wagę, czyli idealnie 5,9 GB. Dostarczany plik ma 7,165 GB, ponieważ obecne jądra przechowują każdą wartość trójkową w dwubitowym slocie — 2,125 bita na wagę w praktyce. Ta luka to ograniczenie jądra, a nie wybór modelowania, i PrismML publikuje obie liczby.
DaisyRose 27B jest dostarczany w standardowy sposób: BF16 przy około 52 GB, FP8 przy około 29 GB, NVFP4 przy około 23 GB i wyłącznie dla Blackwell. W porównaniu z 3,803 GB Bonsai oznacza to około czternastokrotną różnicę w wariancie binarnym, a kompresja nie jest darmowa — własny zestaw testów PrismML ocenia pakiet binarny na 89,5% jego poziomu odniesienia w pełnej precyzji, a pakiet trójwartościowy na 94,6%.
Gdzie faktycznie ponosi się koszt kompresji
Zestawienie PrismML według kategorii to najprzydatniejsza rzecz w obu wydaniach, ponieważ pokazuje, że strata nie rozkłada się równomiernie. W porównaniu z własnym wynikiem bazowym FP16 Qwen3.6-27B na poziomie 85,07 w zestawie piętnastu testów porównawczych w trybie myślenia:
• Pakiet binarny — 76.11 ogólnie, 89.5% retencji. Matematyka spada z 95.33 do 91.66, a kodowanie z 88.74 do 81.88. Podążanie za instrukcjami spada z 78.47 do 65.74, praca agentowa i wywoływanie narzędzi z 80.00 do 66.03, a widzenie komputerowe z 72.61 do 59.57.
• Pakiet ternarny — 80,49 ogółem, 94,6% retencji, odzyskując około połowę dystansu do pełnej precyzji kosztem 3,3 GB dodatkowej wagi.
Przeczytaj tę listę w kontekście tego, do czego trenowano DaisyRose 27B, a oba wydania przestają być porównywalne w jakimkolwiek prostym sensie. Najsłabszą kategorią Bonsai 27B po kompresji jest agentowość i wywoływanie narzędzi z wynikiem 66,03 wobec poziomu odniesienia 80,00 — piętnastopunktowa strata dokładnie w obszarze, w który RadixArk zainwestował osiemnaście dni czasu GPU na ulepszanie. Jeden model płaci za swoją małość walutą, którą drugi model wydaje, kupując za nią moc obliczeniową. Jeśli Twoim obciążeniem roboczym jest agent kodujący, który w pętli wywołuje narzędzia, to pakiet binarny Bonsai 27B jest najgorzej dopasowanym artefaktem w tym porównaniu, a DaisyRose 27B jest najlepszy, i nic innego w obu tabelach nie zmienia tej kolejności.

Czego każde z nich wymaga od twojego sprzętu
To tutaj porównanie staje się konkretne, a nie retoryczne.
• DaisyRose 27B — pojedynczy H200, B200 lub GB300 albo RTX PRO 6000, RTX 5090 lub DGX Spark w NVFP4. Zalecana ścieżka serwowania to SGLang z drafterem do dekodowania spekulatywnego DSpark, cztery repliki równoległości danych na węźle z czterema GPU przy równoległości tensorowej 1 i z pamięcią podręczną KV w FP8. RadixArk nie podaje liczby tokenów na sekundę dla żadnej z tych konfiguracji.
• Bonsai 27B — llama.cpp na CUDA, Metal lub CPU, z jądrami 1-bitowymi i ternarnymi znajdującymi się we własnym forku PrismML, a nie w upstreamie, więc standardowy llama.cpp jeszcze nie wczyta ich poprawnie. Pakiet binarny mieści się na telefonie z 12 GB; pakiet ternarny wymaga nieco więcej zapasu. Dodaj około 2,4 GB, jeśli bierzesz też drafter i wieżę wizyjną, ponieważ podane 3,9 GB to wagi językowe, a nie całe wdrożenie.
Nie istnieje konfiguracja, w której te dwa modele rywalizują o ten sam slot. Model binarny 3,8 GB na telefonie i model BF16 52 GB na H200 nie są dla siebie alternatywami kompromisowymi; obsługują różne produkty. Nakładanie się jest węższe i ciekawsze: NVFP4 DaisyRose o rozmiarze 23 GB kontra ternarny Bonsai o rozmiarze 7,2 GB, z których oba mieszczą się na jednej karcie konsumenckiej, to jedyne miejsce, w którym wybór jest rzeczywiście kompromisem, a nie kategorią.
Dowody i ile ich jest
Bonsai 27B ma za sobą cztery miesiące pobrań — repozytorium trójwartościowego GGUF przekroczyło 590 000 w październiku 2026 r. wobec nieco ponad 400 000 dla paczki binarnej, a kontenery MLX dla obu przekraczały milion każdy. Sugeruje to, że większość tego modelu jest uruchamiana na sprzęcie Apple, a nie na serwerach, oraz że osoby, które go pobierają, wybierają dodatkowe pięć punktów retencji zamiast najmniejszego pliku. To dowód użytkowania, a nie dowód jakości, ale jest to dowód takiego rodzaju, jakiego nie dostarcza tabela benchmarków żadnego z dostawców.
Model DaisyRose 27B ma trzy dni i nie ma za sobą żadnego niezależnego przebiegu. Jego siedem wierszy benchmarków należy do RadixArk, zostały zmierzone na harnessach RadixArk przy temperaturze 1.0, top_p 0.95, top_k 20 i poziomie wysiłku rozumowania xhigh, a opublikowano je jako lepszy z jego przebiegów BF16 i FP8. Jego porównanie międzymodelowe z większymi systemami czerpie z opublikowanych danych innych podmiotów, a nie z bezpośrednich przebiegów porównawczych, i karta modelu tak podaje.
Żaden z modeli nie był testowany w tym samym środowisku testowym co drugi. Każda strona, która stawia liczbę DaisyRose obok liczby Bonsai i wyciąga wniosek, wymyśla porównanie, którego nikt nie przeprowadził.

Który wybrać?
Decyzja sprowadza się do jednego pytania, i nie jest to pytanie o benchmark: czy model musi działać tam, gdzie nie ma centrum danych?
Jeśli tak, odpowiedzią jest Bonsai 27B, a konkretnie pakiet ternarny, chyba że urządzeniu naprawdę brakuje pamięci. Strata piętnastu punktów pakietu binarnego w pracy agentowej i wywoływaniu narzędzi to największy pojedynczy kompromis jakościowy w którymkolwiek z wydań, a 3,3 GB, które kosztuje pakiet ternarny, odzyskuje połowę dystansu do pełnej precyzji. Na telefonie z 12 GB nie ma alternatywy; na każdym urządzeniu z 8 GB zapasu na wagi pakiet ternarny jest lepszym artefaktem.
Jeśli nie — jeśli model działa za API lub na węźle serwującym — główna przewaga Bonsai 27B znika, a jedyną, która pozostaje, jest główna przewaga DaisyRose 27B. Model, który mieści się na H200, nie jest modelem wymagającym kompresji, a to, co kupiłbyś z Bonsai w tej roli, to 27B ograniczony do 89,5% lub 94,6% wydajności bazy starszej o jedną generację. Wydanie RadixArk jest skierowane dokładnie do takiego odbiorcy, a twierdzenie do sprawdzenia brzmi: czy skok w Terminal Bench 4.1 z 5,6 do 12,0 odtwarza się na publicznym harnessie.
Tani sposób, aby samodzielnie przeprowadzić porównanie
Ani DaisyRose 27B, ani Bonsai 27B nie znajdują się w katalogu OrcaRouter w chwili pisania tego tekstu, a ta strona nie będzie udawać, że jest inaczej. Ich wspólnym przodkiem jest: Qwen3.8-27B jest udostępniany jako qwen/qwen3.8-27b za $0,33 za milion tokenów wejściowych i $2,40 za milion tokenów wyjściowych, z tym samym kontekstem 262 144 tokenów i wieżą wizyjną, które zachowuje DaisyRose 27B. Uruchomienie modelu bazowego na własnych promptach to najtańszy sposób ustalenia, co model po treningu ma poprawić, i kosztuje kilka centów zamiast wynajętego H200.
Ten sam endpoint to przydatna siatka bezpieczeństwa na później. Jeśli samodzielnie hostowane wdrożenie DaisyRose natrafi na zapełnione okno kontekstu lub zepsuty sandbox w trakcie zadania, automatyczna failover reguła wysyła żądanie do modelu bazowego zamiast zwracać błąd — odpowiedź w gorszej jakości zamiast nieudanego wywołania. To praktyczna wersja kompromisu, wokół którego kręci się całe to porównanie: sufit jest wart swojej ceny, ale tylko wtedy, gdy coś znajduje się pod nim.
To, co zmieniłoby tę stronę, to jedno wspólne środowisko testowe. Gdyby PrismML skompresował Qwen3.8-27B — model bazowy ulepszony przez DaisyRose — te dwa modele w końcu dałoby się porównać w wymierny sposób, a pytanie „co traci model 27B, stając się 3,8 GB” miałoby liczbę, a nie kategorię.
