Um cartão de título gerado com o texto "DaisyRose 27B vs ZWZ2 27B" e o subtítulo "Médias versus fronteiras", um cartão à esquerda listando DaisyRose-27B na base Qwen3.8-27B, sete benchmarks relatados e um destaque principal Terminal Bench 4.1 de 12.0, um cartão à direita listando ZwZ2-27B na base Qwen3.6-27B, vinte e cinco benchmarks relatados e uma média de destaque principal de 60.51, um rodapé com o texto "Ambas as tabelas reportadas pelo fornecedor; uma geração de base de diferença", e o logotipo da OrcaRouter.
Guides & Insights

DaisyRose 27B vs ZWZ2 27B: Médias vs Fronteiras

Autor

jinhao.song

Data de publicação

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

Coloque DaisyRose-27B e ZWZ2-27B lado a lado e você obtém dois verdadeiros pós-treinos de aprendizado por reforço de checkpoints Q­wen, lançados com três semanas de diferença no outono de 2026, relatados em dois estilos completamente diferentes. DaisyRose-27B, da RadixArk em 18 de novembro de 2026, traz sete benchmarks contra o Qwen3.8-27B, com o maior ganho relativo no mais difícil. ZWZ2-27B, da inclusionAI, traz vinte e cinco benchmarks em seis domínios contra o Qwen3.6-27B, relatado como uma pontuação média que sobe de 55,52 para 60,51.

Um laboratório publicou uma fronteira. O outro publicou uma média. Esses não são o mesmo tipo de afirmação, e a diferença revela mais sobre para que serve cada modelo do que qualquer número isolado em qualquer uma das tabelas.

Bases diferentes, uma geração de diferença

O fato mais importante nesta comparação é que os dois modelos não compartilham um ancestral. O ZWZ2-27B é construído sobre o Qwen3.6-27B; o DaisyRose-27B é construído sobre o Qwen3.8-27B. Isso representa uma geração de base de diferença, o que significa que o confronto direto que uma página "vs" normalmente realiza não está disponível aqui de forma alguma — não porque faltem números, mas porque superar uma base da geração anterior diz algo diferente de superar a atual.

A própria ficha do ZWZ2-27B deixa isso claro ao reportar cada ganho em relação ao Qwen3.6-27B. A ficha do DaisyRose-27B reporta em relação ao Qwen3.8-27B. Um leitor que compara os dois números de ganho está comparando uma melhoria sobre uma base mais antiga com uma melhoria sobre uma base mais nova, e a base mais nova partiu de um patamar mais alto. Nenhuma aritmética corrige isso, e nenhum artigo honesto deveria tentar.

Como o ZWZ2 se reporta

A avaliação do ZwZ2-27B é organizada por domínio, e não por dificuldade de benchmark. Vinte e cinco benchmarks agrupados em seis áreas, cada domínio com sua própria média de antes e depois:

• Percepção refinada — 62,09 a 67,57, um ganho de 5,48 em oito benchmarks, incluindo VStar, HR-Bench 8K e MME-RealWorld.

• Raciocínio espacial — 49,72 a 55,98, aumento de 6,26, o maior ganho entre os domínios.

• Raciocínio visual geral — 47,89 a 53,71, aumento de 5,82, abrangendo MMStar e BabyVision.

• Espacial incorporado — 50,17 a 55,71, aumento de 5,54.

• Contexto longo — 65,87 a 68,77, alta de 2,90.

• Agentes multimodais — 49,73 a 51,81, alta de 2,08, o menor ganho e o mais revelador.

A média geral passa de 55,52 para 60,51, um aumento de 4,99, e a inclusionAI afirma que o modelo ajustado supera o modelo base em cada um dos vinte e cinco benchmarks. Trata-se de uma afirmação forte sobre consistência e fraca sobre qualquer capacidade específica, porque uma média sobre vinte e cinco testes é dominada pelos testes nos quais o modelo já era bom.

Como a DaisyRose se apresenta

A RadixArk adotou a abordagem oposta: sete benchmarks, cada um relatado individualmente, com a pontuação do modelo base ao lado. O Terminal Bench 4.1 passa de 5,6 para 12,0, o Terminal Bench 2.1 de 73,0 para 75,5, o DeepSWE v1.1 de 42,2 para 46,2, o SWE Bench Pro v2 de 91,3 para 94,7, o Humanity's Last Exam de 33,9 para 34,3, o IFBench de 79,5 para 82,4, o GPQA Diamond de 89,2 para 90,7.

Nenhuma média é oferecida, e esse é o ponto. O ganho principal, mais que o dobro no Terminal Bench 4.1, é um ganho a partir de uma base muito baixa — 5.6 está próximo do piso. Os dois benchmarks em que a base já era forte, HLE e GPQA Diamond, quase não se movem. Lida em conjunto, a tabela diz que o ajuste comprou competência agêntica e deixou o raciocínio geral intacto, que é exatamente o que uma recompensa construída sobre tarefas agênticas de longo horizonte deveria produzir.

A generated two-column scoreboard. DaisyRose-27B: base model Qwen3.8-27B, benchmarks published 7, Terminal Bench 4.1 5.6 to 12.0, Humanity's Last Exam 34.3, reporting style individual rows, context 262,144. ZwZ2-27B: base model Qwen3.6-27B, benchmarks published 25, reporting style domain means, context 262,144. Footer reads 'Vendor-reported; the two bases are one generation apart.'

O que uma média de 25 benchmarks esconde

As linhas absolutas mais fracas do ZWZ2-27B são as interessantes, e o próprio card dele as publica: Chartography 12,00, AgentVista 18,18, Perception-Bench 44,93 e ScreenSpot-Pro 70,59. Essas ficam ao lado de médias de domínio na casa dos cinquenta e sessenta, o que significa que a média está sendo sustentada pelos benchmarks em que o modelo se sai bem, enquanto os genuinamente difíceis estão perto do piso.

Isso é normal para um {{1}}pós-treinamento{{/1}} e não deve ser interpretado como um defeito. No entanto, é precisamente a informação que uma {{2}}média{{/2}} apaga. Uma equipe que lê "{{3}}60.51{{/3}}" e espera um modelo que seja 60% bom em tudo ficará muito surpresa com o {{4}}Chartography{{/4}} em {{5}}12{{/5}}. Uma equipe que lê as linhas por benchmark sabe imediatamente para quais das suas cargas de trabalho este modelo não foi treinado.

A mesma ressalva se aplica, inversamente, ao DaisyRose-27B. Sua pontuação de 12,0 no Terminal Bench 4.1 representa um grande ganho relativo e um resultado absoluto ruim, e o card é honesto quanto a ambos. O número de destaque de nenhum dos dois modelos resiste ao contato com suas próprias linhas de detalhe.

Arquitetura e licença

Ambos herdam sua base sem alterações. O ZWZ2-27B traz a configuração do Qwen3.6-27B conforme publicada: tamanho oculto 5,120, 64 camadas, 24 cabeças de consulta e 4 cabeças de chave-valor com dimensão 256, uma FFN de 17,408, um padrão de atenção linear-para-completa repetido três para um dezesseis vezes, M-RoPE intercalado com base de rope de dez milhões, um vocabulário de 248,320 e 262,144 posições nativas. Sua torre de visão tem 27 camadas com largura 1,152, projetando para 5,120, com patches de 16 pixels e uma fusão 2×2. Não há camada de previsão multi-token — a configuração define isso como zero — e os pesos BF16 chegam a cerca de 54 GB distribuídos em dois shards, com transformers 5.13.1 como o caminho documentado.

DaisyRose-27B traz a configuração do Qwen3.8-27B: mesmo tamanho oculto e número de camadas, atenção linear Gated DeltaNet no mesmo padrão de três para um, um codificador de visão de 0,46B e uma cabeça de predição de 0,42B que o ZWZ2-27B não possui. O contexto é de 262.144 para ambos. O DaisyRose é oferecido em BF16 com cerca de 52 GB, FP8 com 29 GB e NVFP4 com 23 GB, com uma receita completa de serving em SGLang; o ZwZ2-27B é oferecido apenas em BF16.

• Licença — Apache-2.0 para ambos, herdada de suas bases.

• Visão — ambos aceitam imagens e retornam texto; nenhum deles é apenas texto.

• Quantizações — três formatos para DaisyRose-27B, BF16 apenas para ZwZ2-27B.

• Documentação de serving — uma receita detalhada do SGLang com decodificação especulativa para o DaisyRose-27B; um guia de início rápido do transformers para o ZwZ2-27B.

• Avaliação independente — nenhuma para nenhum dos dois modelos no momento em que este texto foi escrito.

Screenshot of the RadixArk release post for DaisyRose-27B captured 21 November 2026, dated November 18, 2026 and headed 'DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency', stating that the model is built on Qwen3.8-27B and trained with reinforcement learning on long-horizon agent tasks with sessions up to 1M tokens, using 1,200 curated tasks in 18 days on 144 GPUs.

A questão da percepção

Os ganhos do ZwZ2-27B concentram-se em percepção e raciocínio espacial: percepção refinada sobe 5,48, espacial sobe 6,26, espacial incorporado sobe 5,54, com benchmarks de alta resolução como o HR-Bench 8K dentro desse primeiro grupo. O DaisyRose-27B não relata nenhum benchmark de percepção. Seu codificador de visão é herdado e intocado, e nada no cartão sugere que a recompensa o tenha moldado.

Essa assimetria é a decisão. Se sua carga de trabalho for uma captura de tela, um gráfico denso, uma página digitalizada ou um layout espacial, o card do ZwZ2-27B aborda isso diretamente, e o do DaisyRose-27B não. Se sua carga de trabalho for um terminal, um repositório ou uma sessão longa de chamadas de ferramentas, o inverso é verdadeiro: o card do DaisyRose-27B está cheio exatamente dessas linhas, e o domínio mais fraco do ZwZ2-27B são agentes multimodais, com média de 51,81.

Nenhum dos cartões é evidência melhor que o outro. Eles são evidências sobre coisas diferentes, produzidas sob protocolos diferentes, e a resposta certa é ler cada um para a pergunta que ele foi criado para responder.

Executando-os e misturando-os

Nem o DaisyRose-27B nem o ZwZ2-27B estão hospedados no OrcaRouter hoje. Ambos são pesos que você mesmo serve ou acessa por meio de plataformas de terceiros, o que significa que ambos carregam o mesmo problema operacional: dois checkpoints, duas implantações, dois conjuntos de decisões de capacidade e nenhuma forma de enviar uma solicitação para aquele que estiver disponível no momento.

Esse é o caso para o qual o roteamento foi criado. Quando dois modelos dividem uma carga de trabalho ao longo de uma linha clara — percepção de um lado, ação agêntica do outro —, a aplicação acaba classificando as solicitações e chamando dois endpoints diferentes de qualquer forma. A DSL de roteamento do OrcaRouter permite que essa classificação fique em um só lugar, compondo os dois modelos em um único caminho de chamada, com failover automático para que uma implantação auto-hospedada saturada recorra a um segundo endpoint em vez de retornar um erro. Para um par de modelos tão novo e tão pouco documentado assim, o failover tem menos a ver com tempo de atividade do que com não apostar um caminho de produção em pesos que estão públicos há três semanas. O OrcaRouter também repassa o preço de tabela do provedor com 0% de markup para tudo o que hospedamos, de modo que a parte hospedada de uma implantação mista seja precificada pelo custo, e não por um múltiplo.

Screenshot of the Hugging Face model page for inclusionAI/ZWZ2-27B captured 21 November 2026, showing 15 likes, the Image-Text-to-Text pipeline tag, Transformers and Safetensors formats, tags for inclusionAI/ZwZ2-RL-VQA, grpo and conversational, two arXiv links, and an Eval Results section.

Qual relatório confiar para a sua decisão

Escolha o ZwZ2-27B se o seu trabalho for centrado na perceção e quiser um modelo cuja ficha o documenta em vinte e cinco benchmarks — e leia as linhas absolutas, não a média. Escolha o DaisyRose-27B se o seu trabalho for agêntico e quiser um modelo cuja ficha documenta uma alteração comportamental específica e verificável em relação à base de onde veio. Não escolha nenhum dos dois se precisar de verificação independente antes de se comprometer: ambas as tabelas são reportadas pelo fornecedor, nenhum tem pontuação da Artificial Analysis, e o único número que uma equipa de compras iria querer — o desempenho na sua própria carga de trabalho — não está em nenhum dos documentos.

A comparação que realmente importará é a próxima. Ambos os laboratórios estão em seu primeiro modelo, ambos construídos sobre checkpoints do Qwen, e ambos usaram aprendizado por reforço como toda a história de pós-treinamento. Se a inclusionAI lançar um ZwZ3 sobre o Qwen3.8-27B, ou a RadixArk lançar um segundo DaisyRose que mantém a receita de agente e adiciona linhas de percepção, os dois estilos de relato finalmente se encontrarão sobre uma base compartilhada e um confronto direto real se tornará possível. Até lá, o resumo correto é que esses modelos foram medidos para propósitos diferentes, e a diferença entre um modelo médio e um modelo de fronteira é a diferença entre perguntar "ele é melhor no geral" e perguntar "ele é melhor naquilo que eu preciso".