
DaisyRose 27B против Bonsai 27B: одинаковый размер, противоположные ставки
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 184 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 494 tok/s
- AlibabaНОВИНКАQwen: Qwen4 Max2026-11-16$1.50 / $4.50 за 1 млн токенов · 385 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 94 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
DaisyRose 27B и Bonsai 27B — обе модели с двадцатью семью миллиардами параметров, контекстом на 262 000 токенов, лицензией Apache 2.0 и базой Qwen, и при этом почти во всём остальном они противоположны. DaisyRose 27B, опубликованная RadixArk 18 ноября 2026 года, тратит восемнадцать дней работы на H200 и около 63 000 GPU-часов на обучение с подкреплением, чтобы поднять то, на что способна модель с 27B в агентных задачах; она поставляется в виде 52 ГБ весов BF16 и требует датацентровый GPU. Bonsai 27B, опубликованная PrismML 14 июля 2026 года, направляет усилия в противоположную сторону: берёт 27B и сжимает веса до 1,125 бита на параметр, чтобы всё целиком помещалось в 3,8 ГБ и работало на телефоне. Ни одна из них не лучше. Это два разных ответа на вопрос «сколько должна стоить модель с 27B», и нужный вам ответ целиком зависит от того, что является ограничением — качество или байты.
Одна оговорка перед любым сравнением, потому что от неё зависит, насколько эта страница может быть арифметикой: у двух поставщиков нет ни одного общего бенчмарка. RadixArk сообщает результаты Terminal Bench, DeepSWE, SWE Bench Pro, HLE, IFBench и GPQA Diamond. PrismML сообщает о собственном наборе из пятнадцати бенчмарков плюс производном показателе «intelligence density». Нет ни одной строки, в которой обе эти модели были бы измерены, поэтому ниже ни один балл не вычитается из другого.
Из чего сделан каждый из них
Происхождение — это первое реальное отличие, и его легко не заметить, потому что оба называются «Qwen 27B».
• DaisyRose 27B — посттренировка Qwen3.8-27B, архитектура не тронута. Тот же токенизатор, тот же шаблон чата, та же vision-башня, тот же контекст на 262 144 токена. Обучение RadixArk изменило поведение и больше ничего, а RadixArk описывает результат как готовую замену базовой модели.
• Bonsai 27B — низкобитная пересборка Qwen3.6-27B, которая на одно поколение старше. Это не посттренировка: языковая сеть перекодирована от начала до конца с 1-битной или тернарной точностью — включая эмбеддинги, внимание, проекции MLP и LM head, — причём нигде в основе нет лазейки для перехода к более высокой точности.
Этот разрыв между поколениями — реальный недостаток Bonsai, и о нём редко говорят прямо. Qwen3.6-27B — модель, которую RadixArk выбрала в качестве основы для улучшения; Bonsai 27B — её сжатая копия. Поэтому читатель, сравнивающий эти две модели, сравнивает не только посттренированную модель со сжатой, но и посттренировку на более новой базе со сжатием более старой. Два изменения за один шаг, и ни в одной таблице ни у одного из вендоров они не разделены.
Две упаковки, два следа
Bonsai 27B выпускается в двух форматах весов одной и той же модели, и выбор между ними — единственное реальное решение в этом релизе.
• Бинарный пакет — веса {−1, +1} с групповым масштабированием FP16, упакованные как GGUF Q1_0_g128 при 1,125 эффективного бита на вес. Поставляемый файл имеет размер 3,803 ГБ; в карточке развёрнутый объём округляется примерно до 3,9 ГБ.
• Тернарная упаковка — веса {−1, 0, +1} при том же масштабировании. Тернарное значение несёт log₂3 ≈ 1,585 бита, поэтому нижняя граница для представления составляет около 1,71 бита на вес, или 5,9 ГБ в идеале. Поставляемый файл имеет размер 7,165 ГБ, поскольку текущие ядра хранят каждое тернарное значение в двухбитном слоте — 2,125 бита на вес в развёрнутом виде. Этот разрыв — ограничение ядра, а не выбор при моделировании, и PrismML публикует оба числа.
DaisyRose 27B поставляется обычным образом: BF16 — около 52 ГБ, FP8 — около 29 ГБ, NVFP4 — около 23 ГБ и только для Blackwell. По сравнению с 3.803 ГБ у Bonsai это коэффициент примерно четырнадцать на бинарном конце, и сжатие не бесплатно — собственный набор PrismML оценивает бинарный пакет в 89.5% от его базового уровня полной точности, а тернарный пакет — в 94.6%.
Где на самом деле приходится платить за сжатие
Разбивка PrismML по категориям — самое полезное, что есть в обоих релизах, потому что она показывает: потери распределены неравномерно. В сравнении с собственным базовым показателем FP16 Qwen3.6-27B на уровне 85,07 в наборе из пятнадцати бенчмарков в режиме мышления:
• Binary pack — 76,11 в целом, 89,5% сохранения. Математика падает с 95,33 до 91,66, а программирование — с 88,74 до 81,88. Следование инструкциям падает с 78,47 до 65,74, агентная работа и вызов инструментов — с 80,00 до 66,03, а зрение — с 72,61 до 59,57.
• Тернарный пакет — 80,49 в целом, 94,6% сохранения, восстанавливает около половины расстояния до полной точности при 3,3 ГБ дополнительного веса.
Сопоставьте этот список с тем, для чего обучали DaisyRose 27B, и два релиза перестанут быть сопоставимыми в сколько-нибудь простом смысле. Самая слабая категория Bonsai 27B после сжатия — агентные задачи и вызов инструментов с 66.03 против базового уровня 80.00 — потеря в пятнадцать пунктов ровно в той области, на улучшение которой RadixArk потратила восемнадцать дней GPU-времени. Одна модель расплачивается за свою компактность той валютой, которую другая модель тратит вычислениями, чтобы её приобрести. Если ваша рабочая нагрузка — это агент по программированию, который вызывает инструменты в цикле, то бинарный пакет Bonsai 27B — наименее подходящий артефакт в этом сравнении, а DaisyRose 27B — наиболее подходящий, и ничто другое ни в одной из двух таблиц не меняет этот порядок.

Что каждый из них требует от вашего оборудования
Именно здесь сравнение становится конкретным, а не риторическим.
• DaisyRose 27B — один H200, B200 или GB300, либо RTX PRO 6000, RTX 5090 или DGX Spark в NVFP4. Рекомендуемый путь для обслуживания — SGLang с драфтером спекулятивного декодирования DSpark, четырьмя репликами с параллелизмом данных на узле с четырьмя GPU при тензорном параллелизме 1 и кэшем KV в FP8. RadixArk не публикует показатель количества токенов в секунду ни для одной из этих конфигураций.
• Bonsai 27B — llama.cpp на CUDA, Metal или CPU, причём 1-битные и тернарные ядра живут в собственном форке PrismML, а не в апстриме, поэтому стандартный llama.cpp пока не загрузит их корректно. Бинарный пакет помещается на телефон с 12 ГБ; тернарному пакету нужно немного больше запаса. Добавьте примерно 2,4 ГБ, если берёте также драфтер и визуальный блок, потому что заявленные 3,9 ГБ — это языковые веса, а не развёртывание.
Нет такой конфигурации, в которой эти две модели конкурировали бы за один и тот же слот. Бинарная модель на 3,8 ГБ на телефоне и модель BF16 на 52 ГБ на H200 не заменяют друг друга — они обслуживают разные продукты. Пересечение уже и интереснее: NVFP4 DaisyRose на 23 ГБ против тернарного Bonsai на 7,2 ГБ, и обе помещаются на одну потребительскую карту — это единственное место, где выбор действительно является компромиссом, а не категорией.
Доказательства — и сколько их имеется.
За Bonsai 27B стоят четыре месяца скачиваний: репозиторий ternary GGUF превысил 590 000 в октябре 2026 года по сравнению с чуть более 400 000 для бинарного пакета, а MLX-контейнеры для обоих превысили миллион каждый. Это говорит о том, что большая часть этой модели запускается на оборудовании Apple, а не на серверах, и что люди, скачивающие её, покупаются на дополнительные пять пунктов удержания, а не на самый маленький файл. Это свидетельство использования, а не качества, но это свидетельство того рода, которого не даёт ни одна таблица бенчмарков ни одного из поставщиков.
DaisyRose 27B существует три дня, и независимых прогонов у неё нет. Её семь строк бенчмарков — это результаты RadixArk, измеренные на стендах RadixArk при temperature 1.0, top_p 0.95, top_k 20 и reasoning effort xhigh и опубликованные как лучший результат из её прогонов в BF16 и FP8. Её межмодельное сравнение с более крупными системами опирается на опубликованные другими сторонами цифры, а не на прямые сравнительные прогоны, и в карточке это указано.
Ни одна из моделей не проходила испытания на том же стенде, что и другая. Любая страница, которая ставит число DaisyRose рядом с числом Bonsai и делает из этого вывод, придумывает сравнение, которого никто не проводил.

Какой вариант выбрать
Решение сводится к одному вопросу, и это не вопрос бенчмарка: должна ли модель работать там, где нет дата-центра?
Если да, ответ — Bonsai 27B, а именно тернарный пакет, если только устройству действительно не катастрофически не хватает памяти. Потеря бинарного пакета в пятнадцать пунктов на агентных задачах и работе с инструментами — самая крупная уступка по качеству в обоих релизах, а 3,3 ГБ, которых требует тернарный пакет, возвращают половину пути к полной точности. На 12-ГБ телефоне альтернативы нет; на любом устройстве с 8 ГБ, свободными под веса, тернарный пакет — лучший артефакт.
Если нет — если модель работает за API или на сервисном узле — ключевое преимущество Bonsai 27B испаряется, и единственным оставшимся оказывается ключевое преимущество DaisyRose 27B. Модель, которая помещается на H200, — это не модель, которую нужно сжимать, и то, что вы получили бы с Bonsai в этом слоте, — это 27B, ограниченная 89,5% или 94,6% от базовой модели на одно поколение старше. Релиз RadixArk нацелен именно на такого читателя, и утверждение, которое нужно проверить, — воспроизводится ли скачок Terminal Bench 4.1 с 5,6 до 12,0 на публичном испытательном стенде.
Дешёвый способ провести сравнение самостоятельно
Ни DaisyRose 27B, ни Bonsai 27B на момент написания нет в каталоге OrcaRouter, и эта страница не станет делать вид, что это не так. Их общий предок — Qwen3.8-27B, который доступен как qwen/qwen3.8-27b по цене $0.33 за миллион входных токенов и $2.40 за миллион выходных, с тем же контекстом на 262 144 токена и визуальным модулем, что и у DaisyRose 27B. Запуск базовой модели на собственных промптах — самый дешёвый способ понять, какие улучшения должна обеспечить посттренировка, и это обходится в несколько центов вместо аренды H200.
Этот же эндпоинт впоследствии служит полезной страховочной сетью. Если развёртывание DaisyRose с самохостингом упирается в заполненное контекстное окно или в сломанную песочницу посреди задачи, автоматическое переключение при сбое отправляет запрос к базовой модели вместо возврата ошибки — ухудшенный ответ, а не неудачный вызов. Это практическая версия компромисса, вокруг которого строится всё это сравнение: за потолок стоит платить, но только если под ним что-то есть.
Что изменило бы эту страницу — это один общий испытательный стенд. Если PrismML сожмёт Qwen3.8-27B — базу, которую улучшила DaisyRose, — две модели наконец можно будет измерить друг относительно друга, и у вопроса «что теряет 27B, превращаясь в 3,8 ГБ» появится число вместо категории.
