
DaisyRose 27B vs ZWZ2 27B: Średnie kontra granice
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 187 tok/s
- openaiNOWOŚĆOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 za 1 mln tokenów · 87 tok/s
- openaiNOWOŚĆOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 za 1 mln tokenów · 152 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 194 tok/s
- AlibabaNOWOŚĆQwen: Qwen4 Max2026-11-16$1.50 / $4.50 za 1 mln tokenów · 86 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 705 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 85 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 · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 za 1 mln tokenów · 35 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 · 38 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 · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 101 tok/s
Postaw DaisyRose-27B i ZWZ2-27B obok siebie, a otrzymasz dwa autentyczne dostrojenia po treningu checkpointów Qwen z użyciem uczenia ze wzmocnieniem, wydane w odstępie trzech tygodni jesienią 2026 r. i opisane w dwóch zupełnie różnych stylach. DaisyRose-27B od RadixArk z 18 listopada 2026 r. to siedem benchmarków przeciwko Qwen3.8-27B, przy czym największy względny zysk przypada na najtrudniejszy z nich. ZWZ2-27B od inclusionAI to dwadzieścia pięć benchmarków w sześciu domenach przeciwko Qwen3.6-27B, podanych jako średni wynik rosnący z 55,52 do 60,51.
Jedno laboratorium opublikowało wynik z czołówki. Drugie opublikowało średnią. To nie są twierdzenia tego samego rodzaju, a różnica mówi więcej o tym, do czego służy każdy z modeli, niż jakakolwiek pojedyncza liczba w którejkolwiek z tabel.
Różne bazy, o jedną generację od siebie
Najważniejszym faktem w tym zestawieniu jest to, że oba modele nie mają wspólnego przodka. ZWZ2-27B bazuje na Qwen3.6-27B; DaisyRose-27B bazuje na Qwen3.8-27B. To różnica jednego pokolenia bazowego i oznacza, że bezpośrednie starcie, które zwykle przeprowadza strona typu „vs”, nie jest tutaj w ogóle dostępne — nie dlatego, że brakuje liczb, ale dlatego, że pokonanie poprzedniej generacji bazy mówi coś innego niż pokonanie obecnej.
Karta samego modelu ZWZ2-27B jasno to pokazuje, podając każdy zysk w odniesieniu do Qwen3.6-27B. Karta DaisyRose-27B podaje wyniki w odniesieniu do Qwen3.8-27B. Czytelnik, który porównuje obie wartości poprawy, porównuje poprawę względem starszej bazy z poprawą względem nowszej, a nowsza baza startowała z wyższego poziomu. Żadna arytmetyka tego nie naprawi i żaden uczciwy artykuł nie powinien próbować.
Jak ZWZ2 raportuje o sobie
Ewaluacja ZwZ2-27B jest zorganizowana według dziedzin, a nie według trudności benchmarków. Dwadzieścia pięć benchmarków pogrupowanych w sześć obszarów, przy czym każda dziedzina ma własną średnią przed i po:
• Szczegółowa percepcja — z 62,09 na 67,57, wzrost o 5,48 w ośmiu benchmarkach, w tym VStar, HR-Bench 8K i MME-RealWorld.
• Rozumowanie przestrzenne — od 49,72 do 55,98, wzrost o 6,26, największy przyrost w tej dziedzinie.
• Ogólne rozumowanie wizualne — od 47,89 do 53,71, wzrost o 5,82, obejmujące MMStar i BabyVision.
• Ucieleśniona przestrzeń — od 50,17 do 55,71, wzrost o 5,54.
• Długi kontekst — od 65,87 do 68,77, wzrost o 2,90.
• Agenci multimodalni — z 49,73 do 51,81, wzrost o 2,08, najmniejszy przyrost i jednocześnie najbardziej wymowny.
Średnia ogólna przesuwa się z 55,52 do 60,51, czyli wzrost o 4,99, a inclusionAI twierdzi, że dostrojony model przewyższa bazowy w każdym z dwudziestu pięciu benchmarków. To mocne twierdzenie o spójności i słabe twierdzenie o jakiejkolwiek konkretnej zdolności, ponieważ średnia z dwudziestu pięciu testów jest zdominowana przez te testy, w których model już był dobry.
Jak DaisyRose opisuje samą siebie
RadixArk przyjął odwrotne podejście: siedem benchmarków, każdy raportowany osobno, a obok wynik modelu bazowego. Terminal Bench 4.1 wzrasta z 5,6 do 12,0, Terminal Bench 2.1 z 73,0 do 75,5, DeepSWE v1.1 z 42,2 do 46,2, SWE Bench Pro v2 z 91,3 do 94,7, Humanity's Last Exam z 33,9 do 34,3, IFBench z 79,5 do 82,4, GPQA Diamond z 89,2 do 90,7.
Nie podano średniej — i w tym rzecz. Główny wzrost, ponad dwukrotny na Terminal Bench 4.1, to wzrost z bardzo niskiej podstawy — 5,6 jest blisko dolnej granicy. Dwa benchmarki, w których podstawa była już mocna, HLE i GPQA Diamond, prawie się nie zmieniają. Odczytane jako zestaw, tabela mówi, że dostrojenie przyniosło kompetencję agentową, a rozumowanie ogólne pozostawiło bez zmian, co jest dokładnie tym, co powinna dawać nagroda oparta na długohoryzontowych zadaniach agentowych.

Co ukrywa średnia z 25 benchmarków
Najsłabsze bezwzględne wiersze ZWZ2-27B są tymi najciekawszymi, a jego własna karta je publikuje: Chartography 12,00, AgentVista 18,18, Perception-Bench 44,93 i ScreenSpot-Pro 70,59. Towarzyszą im średnie dziedzinowe na poziomie pięćdziesięciu i sześćdziesięciu kilku procent, co oznacza, że średnią podtrzymują benchmarki, w których model radzi sobie dobrze, a te naprawdę trudne są blisko dolnej granicy.
To normalne w przypadku post-trainu i nie powinno być odczytywane jako wada. Jest to jednak dokładnie ta informacja, którą średnia zaciera. Zespół, który czyta „60.51” i oczekuje modelu, który jest w 60% dobry we wszystkim, będzie mocno zaskoczony Chartography na poziomie 12. Zespół, który czyta wiersze poszczególnych benchmarków, od razu wie, do których ze swoich zadań ten model nie był trenowany.
To samo zastrzeżenie odnosi się w drugą stronę do DaisyRose-27B. Jego wynik 12,0 w Terminal Bench 4.1 to duży względny wzrost i słaby wynik bezwzględny, a karta uczciwie mówi o obu tych rzeczach. Żadna z liczb nagłówkowych obu modeli nie wytrzymuje zetknięcia z własnymi wierszami szczegółów.
Architektura i licencja
Oba dziedziczą swoją bazę bez zmian. ZWZ2-27B ma opublikowaną konfigurację Qwen3.6-27B: rozmiar ukryty 5120, 64 warstwy, 24 głowice zapytań i 4 głowice klucz-wartość o wymiarze 256, FFN o rozmiarze 17 408, szesnastokrotnie powtórzony wzorzec uwagi liniowej do pełnej w proporcji trzy do jednego, przeplatany M-RoPE z bazą RoPE wynoszącą dziesięć milionów, słownik o rozmiarze 248 320 i 262 144 natywnych pozycji. Jego wieża wizyjna ma 27 warstw o szerokości 1152, rzutuje na 5120, ma 16-pikselowe patche i scalanie 2×2. Nie ma warstwy przewidywania wielu tokenów — konfiguracja ustawia ją na zero — a wagi BF16 zajmują około 54 GB w dwóch shardach, przy czym udokumentowaną ścieżką są transformers 5.13.1.
DaisyRose-27B korzysta z konfiguracji Qwen3.8-27B: ten sam wymiar ukryty i liczba warstw, liniowa uwaga Gated DeltaNet w tym samym wzorcu trzy do jednego, enkoder wizji 0,46B oraz głowica predykcyjna 0,42B, której ZWZ2-27B nie ma. Kontekst wynosi 262 144 dla obu. DaisyRose jest dostarczany w BF16 przy około 52 GB, FP8 przy 29 GB i NVFP4 przy 23 GB wraz z pełnym przepisem na serwowanie SGLang; ZwZ2-27B jest dostarczany tylko w BF16.
• Licencja — Apache-2.0 dla obu, odziedziczona z ich projektów bazowych.
• Vision — oba przyjmują obrazy i zwracają tekst; żaden nie jest wyłącznie tekstowy.
• Kwantyzacje — trzy formaty dla DaisyRose-27B, BF16 tylko dla ZwZ2-27B.
• Dokumentacja serwowania — szczegółowy przepis SGLang z dekodowaniem spekulacyjnym dla DaisyRose-27B; szybki start z transformers dla ZwZ2-27B.
• Niezależna ocena — brak dla obu modeli w momencie pisania.

Pytanie o percepcję
Zyski ZwZ2-27B koncentrują się w percepcji i rozumowaniu przestrzennym: drobnoziarnista percepcja wzrosła o 5,48, rozumowanie przestrzenne o 6,26, ucieleśnione rozumowanie przestrzenne o 5,54, a benchmarki wysokiej rozdzielczości, takie jak HR-Bench 8K, mieszczą się w tej pierwszej grupie. DaisyRose-27B nie raportuje żadnego benchmarku percepcji. Jej enkoder wizji jest odziedziczony i nietknięty, a nic w karcie nie sugeruje, by nagroda go ukształtowała.
Ta asymetria jest rozstrzygnięciem. Jeśli Twoim obciążeniem jest zrzut ekranu, gęsty wykres, zeskanowana strona lub układ przestrzenny, karta ZwZ2-27B odnosi się do niego bezpośrednio, a karta DaisyRose-27B nie. Jeśli Twoim obciążeniem jest terminal, repozytorium lub długa sesja wywołań narzędzi, jest odwrotnie: karta DaisyRose-27B jest pełna dokładnie takich wierszy, a najsłabszą dziedziną ZwZ2-27B są agenci multimodalni ze średnią 51,81.
Żadna z kart nie jest lepszym dowodem niż druga. Są dowodami w różnych sprawach, wytworzonymi według różnych protokołów, a właściwą reakcją jest odczytywanie każdej z nich pod kątem pytania, na które została stworzona.
Uruchamianie ich i mieszanie ich
Ani DaisyRose-27B, ani ZwZ2-27B nie są dziś hostowane na OrcaRouter. Oba to wagi, które samodzielnie obsługujesz lub do których uzyskujesz dostęp za pośrednictwem platform zewnętrznych, co oznacza, że oba niosą ze sobą ten sam problem operacyjny: dwa checkpointy, dwa wdrożenia, dwa zestawy decyzji dotyczących zasobów i brak możliwości wysłania żądania do tego, który jest obecnie dostępny.
To jest przypadek, dla którego powstał routing. Gdy dwa modele dzielą obciążenie wzdłuż wyraźnej linii — percepcja po jednej stronie, działania agentowe po drugiej — aplikacja i tak kończy na klasyfikowaniu żądań i wywoływaniu dwóch różnych punktów końcowych. DSL routingu OrcaRouter pozwala tej klasyfikacji istnieć w jednym miejscu, łącząc oba modele w jedną ścieżkę wywołań, z automatycznym przełączaniem awaryjnym, dzięki czemu nasycone wdrożenie self-hosted przechodzi do drugiego punktu końcowego, zamiast zwracać błąd. W przypadku pary modeli tak nowych i tak skąpo udokumentowanych przełączanie awaryjne dotyczy mniej dostępności, a bardziej tego, by nie stawiać ścieżki produkcyjnej na wagach, które są publicznie dostępne od trzech tygodni. OrcaRouter również przekazuje cenę katalogową dostawcy z 0% marży za wszystko, co hostujemy, więc hostowana część mieszanego wdrożenia jest wyceniana po koszcie, a nie z wielokrotnością.

Któremu raportowi powinieneś zaufać przy podejmowaniu decyzji?
Wybierz ZwZ2-27B, jeśli Twoja praca koncentruje się przede wszystkim na percepcji i chcesz model, którego karta dokumentuje to w dwudziestu pięciu benchmarkach — i czytaj wiersze bezwzględne, a nie średnią. Wybierz DaisyRose-27B, jeśli Twoja praca ma charakter agentowy i chcesz model, którego karta dokumentuje konkretną, weryfikowalną zmianę zachowania względem modelu bazowego, z którego powstał. Nie wybieraj żadnego z nich, jeśli potrzebujesz niezależnej weryfikacji przed podjęciem decyzji: obie tabele są raportowane przez dostawcę, żaden nie ma wyniku Artificial Analysis, a jedyna liczba, jakiej chciałby zespół zakupowy — wydajność w Twoim własnym obciążeniu — nie występuje w żadnym z dokumentów.
Porównaniem, które naprawdę będzie miało znaczenie, będzie następne. Oba laboratoria są przy swoim pierwszym modelu, oba zbudowane na checkpointach Qwen i oba wykorzystały uczenie ze wzmocnieniem jako całą historię post-trainingu. Jeśli inclusionAI wypuści ZwZ3 na Qwen3.8-27B albo RadixArk wypuści drugą DaisyRose, która zachowa przepis na agenta i doda wiersze percepcji, oba style raportowania w końcu spotkają się na wspólnej bazie i możliwe stanie się prawdziwe bezpośrednie porównanie. Do tego czasu poprawnym podsumowaniem jest to, że modele te mierzono w różnych celach, a różnica między przeciętnym modelem a modelem frontier to różnica między pytaniem „czy jest ogólnie lepszy” a pytaniem „czy jest lepszy w tym, czego potrzebuję”.
