
DaisyRose 27B kontra Granite 4.2 30B: 46 punktów, dwie uprzęże
- 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 Granite 4.2 30B oba podają wynik na Terminal Bench 2.1. DaisyRose 27B — opracowany przez RadixArk wyłącznie wzmocnieniowy etap douczania Qwen3.8-27B, opublikowany 18 listopada 2026 r. — uzyskuje 75,5 wobec 73,0 swojego modelu bazowego. Granite 4.2 30B, gęsty model IBM o 30 miliardach parametrów wydany 25 sierpnia 2026 r., uzyskuje 29,24. To 46-punktowa różnica przy tej samej nazwie benchmarku, między dwoma gęstymi modelami o niemal identycznym rozmiarze, a naturalny wniosek — że DaisyRose 27B jest dwa i pół razy lepszy w agentowej pracy w terminalu — jest niemal na pewno fałszywy. Te dwie liczby nie powstały w ten sam sposób, a ta strona w dużej mierze dotyczy tego, jak 46-punktowa różnica może być mniejsza, niż wygląda.
Te dwa modele mają ze sobą więcej wspólnego, niż sugeruje ta różnica: oba są gęste, oba mają około 30 miliardów parametrów, oba są na licencji Apache 2.0, oba to wydania z otwartymi wagami, dla których nie ma ceny API hostowanego przez dostawcę do podania, oba zostały wyszkolone specjalnie do agentowego korzystania z narzędzi wewnątrz piaskownic. To najbliżej dopasowana para w tej serii pod względem architektury i intencji, co jest dokładnie powodem, dla którego liczby na ich kartach warto czytać uważnie, a nie odejmować.
Anatomia 46-punktowej luki
Zacznij od tego, co każdy z dostawców mówi o sposobie powstania tej liczby, ponieważ obie karty są wyjątkowo jednoznaczne i opisują różne pomiary.
• DaisyRose 27B — pięć uruchomień na zadanie w środowisku Terminus 2. Karta porównawcza wyraźnie wymienia Terminus 2 i podaje liczbę uruchomień. Próbkowanie odbywało się przy temperaturze 1.0, top_p 0.95, top_k 20, wysiłku rozumowania xhigh, a opublikowany wynik to lepszy z przebiegów BF16 i FP8.
• Granite 4.2 30B — 29.24 na Terminal-Bench 2.1, podane jako pojedynczy wiersz tabeli na karcie modelu. Karta szczegółowo dokumentuje trening agentowy rodziny — drugi przebieg nadzorowanego dostrajania na ponadpróbkowanych danych z inżynierii oprogramowania dla agentów, a następnie uczenie ze wzmocnieniem agentowym w piaskownicy wykonującej zadania w stylu SWE-bench, operacje terminalowe i wyszukiwanie w sieci — ale sam wiersz Terminal-Bench nie zawiera podanej liczby uruchomień, nazwy harnessu ani konfiguracji próbkowania.
Ta asymetria to cała historia tych 46 punktów. Jeden dostawca opublikował silnie oprzyrządowany wynik przy maksymalnym wysiłku rozumowania z pięciu przebiegów; drugi opublikował komórkę tabeli. Wynik Terminal-Bench przy wysiłku rozumowania xhigh może się różnić o dziesiątki punktów względem tego samego modelu przy ustawieniach domyślnych, ponieważ ten benchmark to sekwencja poleceń powłoki, w której model myślący dłużej ma więcej prób na wyjście z własnych błędów. Porównywanie wyniku z pięciu przebiegów przy wysokim wysiłku i najlepszych staraniach z pojedynczą liczbą bez żadnych kwalifikatorów to w ogóle nie jest porównanie.
Istnieje druga asymetria, subtelniejsza i ciekawsza. Bazowy model samego DaisyRose 27B, Qwen3.8-27B, uzyskuje 73,0 w tym samym wierszu tej samej karty. Zatem etap post-trainingu RadixArk poprawił Terminal Bench 2.1 o 2,5 punktu, podczas gdy 46-punktowa luka do Granite to 44 punkty różnicy między modelami bazowymi i 2 punkty treningu. Wszystko, co dzieli tych dwóch dostawców w tym benchmarku, tkwi w punkcie wyjścia, a nie w uczeniu ze wzmocnieniem.
Gdzie stoły się spotykają
Dwa kolejne wiersze są wspólne, a oba są bardziej porównywalne niż Terminal-Bench.
• GPQA Diamond — DaisyRose 27B 90,7 w ośmiu przebiegach na 198 pytaniach z przetasowaną kolejnością odpowiedzi; Granite 4.2 30B 66,41. Różnica 24 punktów, której żadna różnica w harnessie nie wyjaśnia w wiarygodny sposób. Bazowy model DaisyRose osiąga 89,2, więc etap po treningu dodał 1,5 punktu modelowi bazowemu, który już był daleko z przodu.
• IFBench — DaisyRose 27B: 82,4 w czterech uruchomieniach na 300 promptach przy użyciu oficjalnego narzędzia oceniającego allenai, ścisła dokładność na poziomie promptu z wyłączeniem rozumowania; Granite 4.2 30B: 77,17, oznaczony jako „prompt” na karcie. Różnica 5 punktów i najbliżej prawdziwego remisu na obu kartach.
Wynik GPQA to ten, który powinien zmienić sposób, w jaki czytelnik myśli o tym starciu. Granite 4.2 30B to model, który IBM zbudował do korporacyjnej pracy agentowej — dwanaście testowanych języków, trzy tryby rozumowania, wywoływanie narzędzi, natywny kontekst 128K rozszerzalny do 512K — i uzyskuje 66,41 w naukach na poziomie magisterskim. DaisyRose 27B uzyskuje 90,7. Niezależnie od zastrzeżeń dotyczących środowiska testowego w Terminal-Bench, pytania naukowe na poziomie magisterskim nie mają środowiska testowego, które przechyla wynik o 24 punkty, a uczciwa interpretacja jest taka, że model bazowy RadixArk, Qwen3.8-27B z wynikiem 89,2, jest po prostu silniejszym modelem rozumowania niż model bazowy, od którego zaczęło IBM.

Dwa bardzo różne pomysły na trenowanie agentów
Oba modele wytrenowano do pracy w piaskownicy, a dwa opisy tego treningu są najbardziej odkrywczą częścią każdej z kart.
Podejście RadixArk polegało na zmianie jak najmniejszej liczby elementów. DaisyRose 27B zachowuje architekturę, tokenizer, szablon czatu, wieżę wizyjną i kontekst 262 144 tokenów modelu Qwen3.8-27B bez zmian, a uczenie ze wzmocnieniem stosuje do około 1200 starannie wyselekcjonowanych zadań długiego horyzontu zbudowanych z Eigent AI — zadań zaprojektowanych tak, by łączyć kilka problemów, opierać się hakowaniu nagród i działać w sesjach o długości do miliona tokenów. Osiemnaście dni, 144 H200, 63 000 godzin GPU, około 944 000 sandboksów. Żadnego nadzorowanego dostrajania, żadnej destylacji.
Podejście IBM polegało na zmianie zachowania etapami. Rodzina Granite 4.2 30B przeszła drugi przebieg nadzorowanego dostrajania na nadpróbkowanych danych agentowych z zakresu inżynierii oprogramowania, a następnie agentowe uczenie ze wzmocnieniem, które uruchamiało model w piaskownicy na zadaniach typu SWE-bench, operacjach terminala i wyszukiwaniu w sieci. Karta modelu wyraźnie stwierdza, że 30B jest najskuteczniejszym modelem w rodzinie w pracy wymagającej intensywnego rozumowania i działań agentowych. Zawiera również pełną tabelę ogólnych możliwości, dwanaście przetestowanych języków, trzy tryby myślenia i wbudowany łańcuch rozumowania.
Opis treningu żadnego z dostawców nie pozwala przewidzieć profilu benchmarkowego drugiego, i właśnie to pokazują tabele: DaisyRose 27B zdecydowanie prowadzi w wierszach silnie opartych na rozumowaniu i nie publikuje żadnych danych dotyczących wielojęzyczności ani wizji; Granite 4.2 30B publikuje wyniki w całym zestawie korporacyjnym — 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 — i osiąga 66,41 w obszarze nauki, w którym oba modele się pokrywają.
Kontekst, pamięć i historia wdrożenia
Rozszerzenie 512K Granite to prawdziwy wyróżnik, którego nie oddaje żaden wiersz benchmarku, i warto być precyzyjnym co do tego, co deklaruje karta: 128K natywnie, „rozszerzenie długiego kontekstu do 512K”, przy czym tabela modeli podaje długość sekwencji 131 072. Rozszerzenie to nie to samo co natywne, a liczby RULER na karcie pokazują koszt — 89,96 przy 64K wobec 81,38 przy 128K w tym samym modelu. DaisyRose 27B zajmuje przeciwne stanowisko: stałe 262 144 tokeny bez wariantu długiego kontekstu, odziedziczone po Qwen3.8-27B, a RadixArk zauważa, że jego własne długie przebiegi myślenia sięgają dziesiątek tysięcy tokenów, co w praktyce pochłania dużą część tego okna.
• Wagi DaisyRose 27B — BF16 około 52 GB, FP8 około 29 GB, NVFP4 około 23 GB i wyłącznie na Blackwell, a do tego drafter dekodowania spekulatywnego Qwen3.8-27B-DSpark. RadixArk zaleca SGLang z DSpark i publikuje referencyjną konfigurację z czterema GPU oraz pamięcią podręczną KV w FP8.
• Wagi Granite 4.2 30B — około 29 mld parametrów zapisanych w bfloat16, Apache 2.0, wraz z kwantyzacjami FP8, NVFP4/MXFP4 i GGUF dostarczanymi razem z wydaniem BF16. W gęstej wersji 30B plasuje się w podobnej klasie pamięciowej co kompilacja BF16 DaisyRose, więc żadna z nich nie ma przewagi pod względem zajmowanego miejsca, o której warto by się spierać.
Różnica pod względem wdrożenia dotyczy wsparcia, a nie rozmiaru. Granite 4.2 30B można pobrać i uruchomić od trzech miesięcy, ma kwantyzacje opublikowane przez IBM dla kilku środowisk uruchomieniowych oraz ekosystem osób, które już zetknęły się z jego trybami awarii. DaisyRose 27B liczy sobie zaledwie trzy dni, oferuje trzy precyzje, jedną zalecaną ścieżkę serwowania i nie ma opublikowanej wartości przepustowości dla żadnej konfiguracji sprzętowej.

Żaden z nich nie znajduje się tutaj na hostowanym punkcie końcowym.
To najmniej satysfakcjonująca część porównania i warto powiedzieć to wprost: ani DaisyRose 27B, ani Granite 4.2 30B nie pojawia się w katalogu OrcaRouter w momencie pisania. RadixArk nie publikuje hostowanego API DaisyRose i wskazuje na SGLang, vLLM oraz Docker; Granite 4.2 30B od IBM to wydanie o otwartych wagach, którego praktyczną drogą jest samodzielny hosting, bez stawki dostawcy do podania. Oferty zewnętrzne dla DaisyRose podają 0,15 USD za milion tokenów wejściowych i 1,88 USD za milion tokenów wyjściowych, co jest pozycją otwarcia hostera, a nie ceną dostawcy, i tak należy to odczytywać.
Co to oznacza dla czytelnika próbującego podjąć decyzję: tego porównania nie da się rozstrzygnąć przez zmianę bazowego adresu URL. Oba modele wymagają GPU, a uczciwa rada jest taka, żeby najpierw przeprowadzić tańszy eksperyment: jeśli twoje obciążenie mieści się w natywnym kontekście 128K modelu Granite 4.2 30B i w jego publikowanej tabeli możliwości, model ma za sobą trzy miesiące cudzych błędów, a w ciągu jednego dnia możesz się dowiedzieć, czy zawodzi na twoich zadaniach.
Co sprawiłoby, że to porównanie stałoby się realne?
Jeden przebieg na jednym harnessie rozstrzygnąłby większość kwestii z tej strony. Terminal-Bench jest publiczny, zadania są ustalone, a oba modele ładują się w środowiskach uruchomieniowych zbliżonych do llama.cpp przy porównywalnej precyzji. Gdyby ktoś opublikował DaisyRose 27B i Granite 4.2 30B na tym samym harnessie przy tych samych ustawieniach próbkowania, 46-punktowa różnica skurczyłaby się do tego, jaka jest w rzeczywistości — prawdopodobnie do wartości gdzieś pomiędzy liczbami obu dostawców, ponieważ wynik DaisyRose to najlepszy z dwóch przy poziomie wysiłku xhigh, a wynik Granite'a podano bez kwalifikatorów.
Do tego czasu możliwa do obrony interpretacja jest węższa, ale wciąż użyteczna: w naukach na poziomie magisterskim, gdzie harnessy mają najmniejsze znaczenie, model RadixArk znacznie wyprzedza model IBM o margines, którego nie można wyjaśnić ani liczbą uruchomień, ani tasowaniem kolejności odpowiedzi. Pod względem realizacji instrukcji oba modele są blisko siebie. W przypadku pracy agentów terminalowych nikt nie może tego stwierdzić, a opublikowana 46-punktowa luka odzwierciedla dwa układy ewaluacji co najmniej w takim samym stopniu, co dwa modele.
Dla zespołu, który wybiera dziś, decyzja w mniejszym stopniu dotyczy tabeli benchmarków, a w większym dojrzałości. Granite 4.2 30B to ukończony, udokumentowany, trzymiesięczny model klasy enterprise z kwantyzacjami i tabelą wielojęzyczną. DaisyRose 27B to osiemnastodniowy eksperyment z uczeniem ze wzmocnieniem, z uderzającym zestawem liczb od dostawcy, jednym wspólnym wierszem, który je potwierdza, i bez jakiejkolwiek niezależnej reprodukcji. Jeśli obciążenie jest produkcyjne, a termin przypada na teraz, ta różnica rozstrzyga sprawę. Jeśli obciążeniem jest agent, którego kontrolujesz, i możesz pozwolić sobie na benchmarkowanie, wiersze GPQA i IFBench modelu DaisyRose 27B to wystarczający powód, by umieścić go w tym samym środowisku testowym co model, który uruchamiasz dziś, i zobaczyć, co się stanie.
