Wygenerowana karta tytułowa z napisem „DaisyRose 27B vs Gemma 4 31B”, podtytułem „Dwa gęste modele, dwa różne zadania”, nad trzema zaokrąglonymi kartami z napisami „DaisyRose: 27,8B gęsty, dostrajanie wyłącznie RL”, „Gemma 4 31B: 30,7B gęsty, ogólne możliwości” i „GPQA Diamond: 90,7 kontra 84,3”, ze stopką „Dane DaisyRose według RadixArk, listopad 2026; dane Gemma 4 31B według Google DeepMind”. Logo OrcaRouter znajduje się w prawym dolnym rogu.
Guides & Insights

DaisyRose 27B kontra Gemma 4 31B: dwa gęste modele, dwa różne zadania

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

DaisyRose 27B i Gemma 4 31B to najbliższa para w tej rodzinie porównań: oba gęste, oba między 27 a 31 miliardami parametrów, oba multimodalne z kontekstem 256 tys. tokenów, oba na licencji Apache 2.0, oba dostarczane wraz z wagami i draftem do dekodowania spekulacyjnego. Są też — sądząc po dowodach, które ich dostawcy zdecydowali się opublikować — skierowane do różnych nabywców. Gemma 4 31B to generalista Google DeepMind — gęsty model 30,7B z konfigurowalnym trybem myślenia, natywnym wywoływaniem funkcji, ponad 140 językami i czternastowierszową tabelą możliwości obejmującą wszystko od AIME po parsowanie dokumentów. DaisyRose 27B to specjalista RadixArk, opublikowany 18 listopada 2026 r., dotrenowany wyłącznie uczeniem ze wzmocnieniem na zadaniach agentowych o długim horyzoncie i potwierdzony w pięciowierszowej tabeli agentowej. Modele są niemal identyczne pod względem kształtu; dowody oferowane przez każdego dostawcę są niemal rozłączne.

Tylko jeden benchmark w obu tabelach ma obie nazwy: GPQA Diamond, gdzie DaisyRose 27B podaje 90,7, a Gemma 4 31B podaje 84,3. Sześć i pół punktu na egzaminie z nauk ścisłych na poziomie magisterskim, uzyskane przez model mający o 2,9 mld mniej parametrów, to nagłówek, jaki ma ta strona, a reszta dotyczy tego, dlaczego ten nagłówek jest słabszy, niż się wydaje.

Dwie podobnie wyglądające architektury

Usuń branding, a karty specyfikacji pokrywają się ze sobą bardziej niż w przypadku jakiegokolwiek innego starcia w tej serii.

• Parametry — DaisyRose 27B: 27,8B gęstych, z czego 0,46B to enkoder wizyjny, a 0,42B to głowica wielotokenowej predykcji, w porównaniu z Gemma 4 31B przy 30,7B gęstych z enkoderem wizyjnym o około 550M parametrów. Po żadnej ze stron nie ma routingu ekspertów, więc liczba aktywnych parametrów równa się łącznej liczbie parametrów w obu przypadkach.

• Kontekst — 262 144 tokeny dla DaisyRose 27B; 256 tys. dla Gemma 4 31B. W praktyce ten sam limit.

• Modalności — tekst i obraz na wejściu, tekst na wyjściu, w obu przypadkach. Dźwięk nie jest dostępny w żadnym z tych rozmiarów; po stronie Gemmy jest ograniczony do modeli E2B, E4B i 12B z tej rodziny.

• Licencja — Apache 2.0 w obu przypadkach, wskazana na obu kartach modeli.

• Technika długiego kontekstu — Gemma 4 31B osiąga to dzięki 60 warstwom, lokalnemu oknu przesuwnemu o rozmiarze 1024 tokenów przeplatanemu z pełną uwagą globalną, ujednoliconym kluczom i wartościom w warstwach globalnych oraz proporcjonalnemu RoPE. DaisyRose 27B dziedziczy architekturę Qwen3.8-27B bez żadnych zmian, co jest tą samą ideą uwagi hybrydowej, do której doszło się z innej linii projektowej.

Dwie kwestie, w których naprawdę się różnią, decydują o tym, do czego model służy. Gemma 4 31B oferuje konfigurowalny tryb myślenia, natywne wywoływanie funkcji i wyraźne wsparcie dla roli systemowej. DaisyRose 27B jest dostarczany z szablonem czatu identycznym jak w modelu bazowym oraz z przebiegiem treningu, który cały swój budżet przeznaczył na zachowania związane z terminalem i narzędziami, a nie na wszechstronność.

Jedyny rząd, który dzielą

GPQA Diamond, 198 pytań naukowych na poziomie magisterskim, to jedyny benchmark publikowany na obu kartach, a konfiguracje stojące za tymi dwiema liczbami nie są tym samym pomiarem.

Wynik 90,7 modelu DaisyRose 27B pochodzi z ośmiu przebiegów na 198 pytaniach z użyciem szablonu simple-evals, przy każdorazowym przetasowaniu kolejności odpowiedzi, i został podany jako lepszy z jego przebiegów BF16 i FP8. Wynik 84,3 modelu Gemma 4 31B to pojedyncza liczba na karcie modelu G​oogle, bez podanej liczby przebiegów i bez wskazanego harnessu w samej tabeli.

Ta różnica jest więc realna w tym sensie, że obaj dostawcy opublikowali liczbę pod tą samą nazwą benchmarku, a miękka w tym sensie, że jedna strona ma osiem przebiegów i protokół przetasowania, podczas gdy metodologia drugiej to przypis. Sześć i pół punktu to około trzydziestu trzech pytań na 198. To więcej niż szum losowy w zestawie 198 pytań, ale różnica harnessu tej wielkości nie jest niesłychana, a żaden z dostawców nie uruchomił ewaluacji drugiego.

To, co czyni ten wiersz ciekawszym niż pojedynczy wynik, to jego pozycja względem modelu bazowego każdego z modeli. DaisyRose 27B poprawia wynik GPQA Diamond z 89,2 do 90,7 względem Qwen3.8-27B — wzrost o 1,5 punktu po osiemnastu dniach uczenia ze wzmocnieniem. Gemma 4 31B uzyskuje 84,3, czyli o 2 punkty więcej niż jej własny model siostrzany 26B A4B z wynikiem 82,3. W tym benchmarku oba modele są blisko miejsca, w którym umieścił je pretrening, a trening po pretreningu nie przesunął znacząco żadnego z nich. Jeśli wybierasz między nimi w kontekście nauk ścisłych na poziomie magisterskim, sześciopunktowa różnica to głównie różnica modeli bazowych, a nie różnica receptur treningowych.

A screenshot of the Hugging Face model card for google/gemma-4-31B-it showing the repository header, the dense 30.7B description, the 256K-token context, the Apache 2.0 licence and the benchmark comparison table against Gemma 4 26B A4B.

Tabele wypełnione tylko przez jedną stronę

Tu porównanie przestaje być porównaniem i staje się wyborem dowodów. Google opublikował ogólną tabelę możliwości, a RadixArk opublikował tabelę dotyczącą agentów, przy czym żadna z nich nie pokrywa się z drugą.

Karta Gemma 4 31B zawiera MMLU Pro 85.2, AIME 2026 bez narzędzi 89.2, LiveCodeBench v6 80.0, Codeforces ELO 2150, Tau2 76.9, HLE bez narzędzi 19.5 i z wyszukiwaniem 26.5, BigBench Extra Hard 74.4, MMMLU 88.4, MMMU Pro 76.9, MATH-Vision 85.6, MedXPertQA MM 61.3, OmniDocBench 1.5 przy 0.131 oraz MRCR v2 przy ośmiu igłach i kontekście 128K 66.4. Nie ma wiersza Terminal Bench, wiersza SWE-bench ani wiersza IFBench.

Karta modelu DaisyRose 27B zawiera Terminal Bench 4.1 na poziomie 12,0 wobec bazowego 5,6, Terminal Bench 2.1 na poziomie 75,5, DeepSWE v1.1 na poziomie 46,2, SWE Bench Pro v2 na poziomie 94,7 i IFBench na poziomie 82,4, a także HLE w trybie tekstowym na poziomie 34,3 i GPQA Diamond na poziomie 90,7. Nie ma w ogóle wiersza MMLU Pro, AIME, Codeforces ani benchmarku wizyjnego — mimo że model zawiera enkoder wizyjny.

Dwie asymetrie w tym zestawieniu zasługują na nazwanie. Pierwsza to HLE: RadixArk podaje 34,3 bez narzędzi, G​oogle podaje 19,5 bez narzędzi i 26,5 z wyszukiwaniem. Nawet przyznając Gemma 4 31B jej konfigurację wspomaganą narzędziami, wynik DaisyRose 27B jest wyższy o prawie osiem punktów — ale oceniający się różnią, ponieważ RadixArk użył GPT-6 Luna w pięciu przebiegach na problem, podczas gdy G​oogle nie podaje swojego sposobu oceniania. Druga to wizja: DaisyRose 27B zawiera enkoder wizji 0,46B i nie publikuje żadnego benchmarku wizyjnego, więc jej zdolności multimodalne są niezmierzone publicznie. Gemma 4 31B publikuje MMMU Pro, MATH-Vision, OmniDocBench i MedXPertQA. Jeśli potrzebujesz rozumienia obrazów, jeden z tych modeli ma dowody, a drugi ma enkoder.

Pamięć, formaty i ile kosztuje każde pobranie

Oba modele mają od 52 do 63 GB przy pełnej precyzji, co plasuje je w tej samej klasie sprzętowej i sprawia, że lista formatów jest użyteczną częścią porównania.

• DaisyRose 27B — BF16 około 52 GB, FP8 około 29 GB, NVFP4 około 23 GB i wyłącznie dla Blackwell, oraz RadixArk/Qwen3.8-27B-DSpark jako model draftujący do dekodowania spekulatywnego dla SGLang. Konfiguracja referencyjna to cztery repliki równoległe względem danych na węźle z czterema GPU przy równoległości tensorowej 1, kontekst 262,144 tokenów i pamięć podręczna KV w FP8. RadixArk wymienia wdrożenie na jednym GPU na H200, B200, GB300, RTX PRO 6000, RTX 5090 i DGX Spark.

• Gemma 4 31B — bfloat16 w dwóch fragmentach safetensors o rozmiarach około 49,8 GB i 12,8 GB, łącznie około 62,5 GB. QAT Q4_0 GGUF o rozmiarze 17,7 GB plus 1,2 GB projektora wizyjnego, około 18,9 GB przed pamięcią podręczną KV, co umieszcza szczytowy gęsty model z linii Gemma na pojedynczej konsumenckiej karcie 24 GB. Wersja QAT w4a16 compressed-tensors o rozmiarze 23,3 GB dla vLLM, niekwantyzowany checkpoint Q4_0 przenoszący wagi QAT bez pakowania oraz 0,94 GB draftera do wielotokenowego przewidywania.

Linia GGUF to konkretna różnica. Google dostarcza własnej produkcji kompilację 4-bitową, która mieści się na karcie 24 GB; RadixArk dostarcza trzy warianty precyzji i oczekuje, że będziesz je serwować przez SGLang. Dla zespołu ze stacją roboczą i bez stosu serwowania nie jest to trudna decyzja — jedno pobranie działa, drugie wymaga wdrożenia.

Jeden szczegół, który może ugryźć: karta Gemmy wymaga asystenta dekodowania spekulacyjnego zgodnego z precyzją docelowego checkpointu, więc drafter 0,94 GB współpracuje z celem QAT 31B, a nie z wydaniem bfloat16. Drafter RadixArk nosi nazwę od Qwen3.8-27B i współpracuje z własną kompilacją FP8 modelu DaisyRose 27B.

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 31B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; training RL only, 63,000 GPU-hours; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; formats BF16, FP8, NVFP4. Right column Gemma 4 31B: parameters 30.7B dense; training general pretrain plus post-train; context 256K tokens; GPQA Diamond 84.3; HLE no tools 19.5; formats BF16, QAT Q4_0 GGUF, w4a16. A footer reads 'Both vendor-reported; only GPQA Diamond is published on both cards.' The OrcaRouter logo sits in the bottom-right.

Koszt i ten, który ma cenę

Gemma 4 31B jest dziś dostępna w OrcaRouter jako google/gemma-4-31b-it w cenie 0,13 USD za milion tokenów wejściowych i 0,38 USD za milion tokenów wyjściowych, z konfigurowalnym myśleniem, natywnym wywoływaniem funkcji i kontekstem 256K. Sufiks -it jest częścią ciągu przekazywanego przez klienta.

DaisyRose 27B nie ma ceny hostowanej przez dostawcę. Witryna RadixArk opisuje szkolenie i obsługę dla innych laboratoriów i nie publikuje punktu końcowego DaisyRose; karta modelu wskazuje wyłącznie na samodzielny hosting przez SGLang, vLLM i Docker. Oferty podmiotów trzecich podają 0,15 USD za milion tokenów wejściowych i 1,88 USD za milion tokenów wyjściowych, co jest ceną wywoławczą jednego hosta, a nie stawką dostawcy.

Zestaw je obok siebie, a porównanie ofert hostowanych wypada odwrotnie niż w tabeli benchmarków: Gemma 4 31B przy trzynastu centach za milion tokenów wejściowych wobec piętnastu u zewnętrznego dostawcy, ale trzydzieści osiem centów wobec jednego dolara osiemdziesięciu ośmiu centów na wyjściu. W obciążeniu zdominowanym przez generowanie to pięciokrotna różnica na korzyść większego modelu, która wynika z przyczyny strukturalnej — Gemma 4 31B ma ugruntowaną warstwę hostowaną, na której konkuruje kilku dostawców, podczas gdy DaisyRose 27B ma jednego hosta i trzy dni historii.

A screenshot of the OrcaRouter model catalogue page for google/gemma-4-31b-it showing the model listing, the 30.7B dense description, the 256K-token context and the per-million-token pricing.

Do jakiego zadania zbudowano każdy model?

Uczciwe podsumowanie jest takie, że te modele nie konkurują o ten sam zakup, a tabele benchmarków dowodzą tego, ponieważ w ogóle się nie pokrywają.

Gemma 4 31B to model, którego potrzebujesz, jeśli zależy ci na szerokim zakresie możliwości: tryb myślenia, który można ograniczyć, wywoływanie funkcji działające z istniejącymi schematami narzędzi, ponad 140 języków, opublikowana ewaluacja możliwości wizyjnych, skwantyzowana wersja działająca na stacji roboczej oraz cena w hostingu wynosząca trzynaście centów za milion tokenów wejściowych. To bezpieczny wybór dla ogólnego produktu, a koszt pomyłki to kilka dolarów wydatków na API.

DaisyRose 27B to model, którego chcesz, jeśli budujesz agenta terminalowego i możesz go hostować. Jego wynik w Terminal Bench 4.1 jest ponad dwukrotnie wyższy niż w przypadku jego własnego modelu bazowego, SWE Bench Pro v2 wynosi 94,7, a IFBench na poziomie 82,4 jest najwyższy na karcie porównawczej RadixArk. Każda z tych liczb jest raportowana przez dostawcę, żadna nie została niezależnie odtworzona, a model ma trzy dni. Ale kształt twierdzenia jest wystarczająco konkretny, by go przetestować: uruchom własne ślady działania agenta na Qwen3.8-27B — dostępnym jako qwen/qwen3.8-27b za 0,33 USD za milion tokenów wejściowych i 2,40 USD za milion tokenów wyjściowych, z tym samym kontekstem 262 144 tokenów i wieżą wizyjną — i sprawdź, czy tryb awarii, którego RadixArk oduczył, jest tym, na który faktycznie trafiasz.

To także najtańszy sposób, by rozstrzygnąć między tymi dwoma. Gemma 4 31B i Qwen3.8-27B stoją za jednym kluczem OrcaRouter bez drugiej umowy i bez zmian w kodzie, przy 0% narzutu względem ceny katalogowej każdego z dostawców, więc zmiana ceny po którejkolwiek stronie dotrze do Ciebie w dniu, w którym wejdzie w życie. Jeśli Gemma 4 31B obsłuży Twoją pętlę agenta, kończysz na trzynastu centach. Jeśli nie, a model bazowy zawodzi w tym samym miejscu, to osiemnastodniowy RL post-train na H200 jest kolejną rzeczą, za którą warto zapłacić — a do tego czasu będziesz już wiedzieć, co ma naprawić.