Uma cartela de título com os dizeres 'DaisyRose 27B vs Granite 4.2 30B', com o subtítulo '46 pontos de diferença no Terminal Bench 2.1', acima de três cartões com os dizeres 'DaisyRose: 27,8B denso, 75,5 no Terminal Bench 2.1', 'Granite 4.2 30B: 30B denso, 29,24 no Terminal Bench 2.1' e 'Ambos: Apache 2.0, auto-hospedagem em primeiro lugar', com um rodapé com os dizeres 'Ambos os números são informados pelo fornecedor, no próprio harness de cada fornecedor'. O logotipo da OrcaRouter fica no canto inferior direito.
Guides & Insights

DaisyRose 27B vs Granite 4.2 30B: 46 pontos, dois harnesses

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

DaisyRose 27B e Granite 4.2 30B relatam uma pontuação no Terminal Bench 2.1. DaisyRose 27B, o pós-treinamento apenas com aprendizado por reforço da RadixArk sobre o Qwen3.8-27B, publicado em 18 de novembro de 2026, obtém 75,5 contra 73,0 do seu modelo base. Granite 4.2 30B, o modelo denso de 30 bilhões de parâmetros da IBM lançado em 25 de agosto de 2026, obtém 29,24. Isso é uma diferença de 46 pontos no mesmo nome de benchmark, entre dois modelos densos de tamanho quase idêntico, e a conclusão natural — de que o DaisyRose 27B é duas vezes e meia melhor em trabalho agêntico de terminal — é quase certamente falsa. Os dois números não foram produzidos da mesma forma, e esta página trata em grande parte de como uma diferença de 46 pontos pode ser menor do que parece.

Os dois modelos têm mais em comum do que essa diferença sugere: ambos são densos, ambos têm cerca de 30 bilhões de parâmetros, ambos são Apache 2.0, ambos são lançamentos de pesos abertos sem preço de API hospedada pelo fornecedor a citar, ambos foram treinados especificamente para uso agêntico de ferramentas dentro de sandboxes. Eles são o par mais próximo desta série em arquitetura e em intenção, o que é exatamente por que os números em suas fichas merecem uma leitura cuidadosa em vez de uma subtração.

Anatomia de uma diferença de 46 pontos

Comece pelo que cada fornecedor diz sobre como o número foi feito, porque ambos os cartões são incomumente explícitos e descrevem medições diferentes.

• DaisyRose 27B — cinco execuções por tarefa no harness Terminus 2. O cartão de comparação lista o Terminus 2 explicitamente e indica o número de execuções. A amostragem foi temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh, e a pontuação publicada é a melhor entre as execuções em BF16 e FP8.

• Granite 4.2 30B — 29,24 no Terminal-Bench 2.1, relatado como uma única linha de tabela no cartão do modelo. O cartão documenta em detalhes o treinamento agêntico da família — uma segunda passagem de ajuste fino supervisionado sobre dados agênticos de engenharia de software sobreamostrados, seguida de aprendizado por reforço agêntico dentro de um sandbox executando tarefas no estilo SWE-bench, operações de terminal e busca na web —, mas a própria linha do Terminal-Bench não traz contagem de execuções declarada, nome de harness nem configuração de amostragem.

Essa assimetria é a história inteira dos 46 pontos. Um fornecedor publicou uma pontuação fortemente instrumentada com esforço de raciocínio máximo ao longo de cinco execuções; o outro publicou uma célula de tabela. Um resultado do Terminal-Bench com esforço de raciocínio xhigh pode variar em dezenas de pontos em comparação com o mesmo modelo nas configurações padrão, porque o benchmark é uma sequência de comandos de shell em que um modelo que pensa por mais tempo tem mais tentativas de se recuperar dos próprios erros. Comparar um número de cinco execuções, com o melhor esforço possível e alto esforço, com um único número sem qualificação não é comparação alguma.

Há uma segunda assimetria, mais sutil e mais interessante. O próprio modelo base do DaisyRose 27B, o Qwen3.8-27B, pontua 73,0 na mesma linha do mesmo cartão. Portanto, o pós-treinamento da RadixArk melhorou o Terminal Bench 2.1 em 2,5 pontos, enquanto a diferença de 46 pontos em relação ao Granite é composta por 44 pontos de diferença de modelo base e 2 pontos de treinamento. Tudo o que separa esses dois fornecedores neste benchmark está no ponto de partida, não no aprendizado por reforço.

Onde as mesas se encontram

Mais duas linhas são compartilhadas, e ambas são mais comparáveis do que o Terminal-Bench.

• GPQA Diamond — DaisyRose 27B 90,7 em oito execuções em 198 perguntas com a ordem das respostas reembaralhada; Granite 4.2 30B 66,41. Uma diferença de 24 pontos que nenhuma diferença de harness explica de forma plausível. A base do DaisyRose pontua 89,2, então o pós-treinamento acrescentou 1,5 ponto a um modelo base que já estava muito à frente.

• IFBench — DaisyRose 27B 82,4 em quatro execuções em 300 prompts com o scorer oficial da allenai, acurácia estrita em nível de prompt excluindo thinking; Granite 4.2 30B 77,17, rotulado como "prompt" no cartão. Uma diferença de 5 pontos, e a coisa mais próxima de um empate genuíno em qualquer um dos cartões.

O número do GPQA é o que deveria mudar a forma como um leitor pensa sobre esse confronto. O Granite 4.2 30B é um modelo que a IBM criou para trabalho agêntico empresarial — doze idiomas testados, três modos de raciocínio, chamada de ferramentas, contexto nativo de 128K extensível a 512K — e obtém 66,41 em ciências de nível de pós-graduação. O DaisyRose 27B obtém 90,7. Quaisquer que sejam as ressalvas do harness no Terminal-Bench, perguntas de ciências de pós-graduação não têm um harness que oscile 24 pontos, e a leitura honesta é que o modelo base da RadixArk, Qwen3.8-27B com 89,2, é simplesmente um modelo de raciocínio mais forte do que o modelo base do qual a IBM partiu.

A screenshot of the Hugging Face model card for ibm-granite/granite-4.2-30b, showing the model summary with 30B dense parameters, the 128K native context with 512K extension, the Apache 2.0 licence, the three reasoning modes and the benchmark table including GPQA 66.41 and Terminal-Bench 2.1 at 29.24.

Duas ideias muito diferentes de treinamento agêntico

Ambos os modelos foram treinados para trabalhar dentro de uma sandbox, e as duas descrições desse treinamento são a parte mais reveladora de cada um dos cards.

A abordagem da RadixArk foi mudar o mínimo possível. O DaisyRose 27B mantém intactos a arquitetura, o tokenizador, o template de chat, a torre de visão e o contexto de 262.144 tokens do Qwen3.8-27B, e aplica aprendizado por reforço a cerca de 1.200 tarefas curadas de horizonte longo criadas com o Eigent AI — tarefas projetadas para encadear vários problemas, resistir ao reward hacking e rodar em sessões de até um milhão de tokens. Dezoito dias, 144 H200s, 63.000 GPU-horas, cerca de 944.000 sandboxes. Sem ajuste fino supervisionado, sem destilação.

A abordagem da IBM foi mudar o comportamento em etapas. A família do Granite 4.2 30B recebeu uma segunda passagem de ajuste fino supervisionado sobre dados de engenharia de software agêntica com upsampling, seguida de aprendizado por reforço agêntico que executou o modelo dentro de um sandbox em tarefas no estilo SWE-bench, operações de terminal e busca na web. A ficha técnica deixa explícito que o 30B é o membro da família com melhor desempenho em trabalhos intensivos em raciocínio e agênticos. Ela também traz uma tabela completa de capacidades gerais, doze idiomas testados, três modos de pensamento e cadeia de pensamento integrada.

A descrição de treinamento de nenhum dos dois fornecedores prevê o perfil de benchmark do outro, e é isso que as tabelas mostram: o DaisyRose 27B lidera de forma decisiva nas linhas com forte peso de raciocínio e não publica nada em multilíngue ou visão; o Granite 4.2 30B publica resultados em toda a suíte empresarial — 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 — e obtém 66,41 onde os dois se sobrepõem em ciência.

Contexto, memória e a história de implantação

A extensão de 512K do Granite é um diferencial real que nenhuma linha de benchmark captura, e vale ser preciso sobre o que a ficha do modelo afirma: 128K nativos, “extensão de contexto longo para 512K”, com a tabela do modelo listando um comprimento de sequência de 131.072. Extensão não é o mesmo que nativo, e os números do RULER na ficha mostram o custo — 89,96 em 64K contra 81,38 em 128K no mesmo modelo. O DaisyRose 27B assume a posição oposta: 262.144 tokens fixos, sem variante de contexto longo, herdados do Qwen3.8-27B, e a RadixArk observa que suas próprias execuções de pensamento longo chegam a dezenas de milhares de tokens, que é para onde boa parte dessa janela vai na prática.

• Pesos do DaisyRose 27B — BF16 cerca de 52 GB, FP8 cerca de 29 GB, NVFP4 cerca de 23 GB e exclusivo para Blackwell, além do drafter de decodificação especulativa Qwen3.8-27B-DSpark. A RadixArk recomenda SGLang com DSpark e publica uma configuração de referência de quatro GPUs com cache KV FP8.

• Pesos do Granite 4.2 30B — cerca de 29B armazenados em bfloat16, Apache 2.0, com quantizações FP8, NVFP4/MXFP4 e GGUF fornecidas junto com o lançamento BF16. Com 30B denso, fica próximo da mesma classe de memória da build BF16 da DaisyRose, então nenhum dos dois tem uma vantagem de ocupação de memória que valha a pena discutir.

A diferença de implantação é uma questão de suporte, não de tamanho. O Granite 4.2 30B está disponível para download e pode ser executado há três meses, tem quantizações publicadas pela IBM para vários runtimes e conta com um ecossistema de pessoas que já encontraram seus modos de falha. O DaisyRose 27B tem três dias de vida, tem três precisões, um caminho de serviço recomendado e nenhum valor de throughput publicado para qualquer configuração de hardware.

A generated two-column scoreboard titled 'DaisyRose 27B vs Granite 4.2 30B — the scoreboard'. Left column DaisyRose 27B: Parameters 27.8B dense; Context 262,144 tokens; Terminal Bench 2.1 75.5; GPQA Diamond 90.7; IFBench 82.4; Released 18 November 2026. Right column Granite 4.2 30B: Parameters 30B dense; Context 128K native, 512K extended; Terminal Bench 2.1 29.24; GPQA Diamond 66.41; IFBench 77.17; Released 25 August 2026. Footer reads 'Both vendor-reported on separate harnesses; the Terminal-Bench rows were not run the same way.' The OrcaRouter logo sits in the bottom-right.

Nenhum dos dois está em um endpoint hospedado aqui

Esta é a seção menos satisfatória da comparação e vale dizer com clareza: nem o DaisyRose 27B nem o Granite 4.2 30B aparecem no catálogo do OrcaRouter no momento em que escrevo. A RadixArk não publica nenhuma API hospedada do DaisyRose e remete ao SGLang, ao vLLM e ao Docker; o Granite 4.2 30B da IBM é um lançamento de pesos abertos cujo caminho prático é a auto-hospedagem, sem tarifa de fornecedor a citar. Anúncios de terceiros para o DaisyRose citam US$ 0,15 por milhão de tokens de entrada e US$ 1,88 por milhão de tokens de saída, o que é a posição inicial de um host e não um preço de fornecedor, e deve ser lido como tal.

O que isso significa para um leitor que está tentando decidir é que essa comparação não pode ser resolvida trocando uma URL base. Ambos os modelos exigem uma GPU, e o conselho honesto é fazer primeiro o experimento mais barato: se a sua carga de trabalho se encaixa no contexto nativo de 128K do Granite 4.2 30B e na tabela de capacidades publicada por ele, o modelo tem três meses de erros alheios por trás e você pode descobrir em um dia se ele falha nas suas tarefas.

O que tornaria esta comparação real?

Uma execução em um único harness resolveria a maior parte desta página. O Terminal-Bench é público, as tarefas são fixas, e ambos os modelos carregam em runtimes adjacentes ao llama.cpp com precisão comparável. Se alguém publicasse DaisyRose 27B e Granite 4.2 30B no mesmo harness com as mesmas configurações de amostragem, a lacuna de 46 pontos se reduziria ao que ela realmente é — provavelmente em algum ponto entre os números dos dois fornecedores, já que o da DaisyRose é o melhor de dois com esforço xhigh e o da Granite não tem qualificação.

Até lá, a leitura defensável é mais estreita e ainda útil: em ciência de nível de pós-graduação, onde os harnesses importam menos, o modelo da RadixArk está muito à frente do da IBM, por uma margem que nem o número de execuções nem o embaralhamento da ordem das respostas conseguem explicar. Em seguimento de instruções, os dois estão próximos. Em trabalho com agentes de terminal, ninguém pode afirmar, e a diferença publicada de 46 pontos mede dois setups de avaliação pelo menos tanto quanto mede dois modelos.

Para uma equipe que está escolhendo hoje, a decisão tem menos a ver com a tabela de benchmarks do que com a maturidade. O Granite 4.2 30B é um modelo empresarial finalizado, documentado e com três meses de existência, com quantizações e uma tabela multilíngue. O DaisyRose 27B é um experimento de aprendizado por reforço de dezoito dias, com um conjunto impressionante de números do fornecedor, uma única linha compartilhada que os sustenta e nenhuma reprodução independente de qualquer tipo. Se a carga de trabalho é de produção e o prazo é agora, essa diferença decide a questão. Se a carga de trabalho é um agente que você controla e você pode arcar com o custo de fazer benchmarks, as linhas de GPQA e IFBench do DaisyRose 27B são motivo suficiente para colocá-lo no mesmo harness que o modelo que você está executando hoje e ver o que acontece.