Сгенерированная титульная карточка с надписью «DaisyRose 27B против Gemma 4 26B A4B» и подзаголовком «27,8B считывается на каждый токен, 3,8B считывается на токен», над тремя карточками со скруглёнными углами с надписями «DaisyRose: 27,8B dense, посттренировка только с RL», «Gemma 4 26B A4B: всего 25,2B, активно 3,8B» и «Цена хостинга: $0,06 за входные и $0,33 за выходные токены за миллион», с нижним колонтитулом «Показатели DaisyRose — по данным RadixArk, ноябрь 2026 г.; показатели Gemma — по данным Google DeepMind». Логотип OrcaRouter расположен в правом нижнем углу.
Guides & Insights

DaisyRose 27B против Gemma 4 26B A4B: 27,8 млрд плотных параметров против 3,8 млрд активных

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

DaisyRose 27B и Gemma 4 26B A4B — это модели одного весового класса с совершенно разными структурами затрат, и строка с ценой делает это наглядным быстрее любого бенчмарка. Gemma 4 26B A4B — 25,2 млрд параметров, из которых 3,8 млрд считываются для каждого токена, — обслуживается на OrcaRouter по цене $0,06 за миллион входных токенов и $0,33 за миллион выходных. DaisyRose 27B — опубликованный 18 ноября 2026 года вариант Qwen3.8-27B от RadixArk, дообученный исключительно методами обучения с подкреплением, — это 27,8 млрд плотных параметров, каждый из которых считывается на каждом токене; модель поставляется в виде 52 ГБ весов BF16, не имеет API, размещённого у вендора, и для её запуска в принципе требуется GPU дата-центра. Одну модель вы арендуете, платя по центам. Другую вы развёртываете. Всё остальное в этом сравнении вытекает из этого.

Картина бенчмарков по-настоящему интересна и по-настоящему неполна: у двух моделей есть ровно две общие публичные строки — GPQA Diamond и Humanity's Last Exam, — и по обеим DaisyRose 27B опережает с отрывом, намного превышающим разницу в числе параметров. Переживёт ли этот отрыв соприкосновение с общей тестовой обвязкой — вопрос, на который эта страница не может ответить, и она это признаёт.

Имя — это спецификация.

В обозначении Gemma 4 26B A4B заложена её политика маршрутизации, и в собственной карточке Google прямо указано: «A» в 26B A4B означает «активные параметры» — в отличие от общего числа параметров, содержащихся в модели.

• Всего параметров — 25,2 млрд. • Активных на токен — 3,8 млрд. • Схема экспертов — 8 из 128 экспертов активны плюс 1 общий эксперт, выбираемые для каждого токена. Общий эксперт читается всегда, поэтому количество активных параметров не равно просто 8/128 от общего. • Слоёв — 30, со скользящим окном в 1 024 токена.

У DaisyRose 27B нет такой структуры, которую нужно было бы описывать. Это плотный трансформер: 27,8 млрд параметров, из них 0,46 млрд приходятся на визуальный энкодер и 0,42 млрд — на голову предсказания нескольких токенов, при этом между входом и вычислениями нет маршрутизатора. Каждый токен платит за каждый вес.

Практическое следствие — это то самое число, которое отличает эти модели сильнее, чем любой бенчмарк. Разреженная модель с 3,8 млрд активных параметров работает примерно со скоростью модели на 4 млрд, при этом обладая памятью модели на 25 млрд — карточка Google прямо это утверждает, описывая MoE-вариант как работающий «почти так же быстро, как модель с 4 млрд параметров». Плотная модель на 27,8 млрд работает со скоростью 27,8 млрд, и эту скорость никто не опубликовал: в карточке RadixArk нет показателя токенов в секунду ни для одной аппаратной конфигурации.

Что дало обучение с подкреплением, а что — нет

Обучение DaisyRose 27B — это та часть сравнения, у которой нет аналога на стороне Gemma. RadixArk использовала только обучение с подкреплением — без этапа контролируемого дообучения, без дистилляции — на примерно 1 200 отобранных агентных задачах с длинным горизонтом, созданных с помощью Eigent AI, причём сессии длились до одного миллиона токенов, в течение восемнадцати дней на 144 H200 и примерно 63 000 GPU-часов. Целью было не общее повышение возможностей, а конкретное: сделать модель на 27B лучше в цикле «прочитать задачу, вызвать инструмент, прочитать результат, исправить ошибку».

Это проявляется в строках, где две модели действительно можно сравнить, причём проявляется неодинаково.

• GPQA Diamond — DaisyRose 27B — 90,7 против 82,3 у Gemma 4 26B A4B. Оба показателя заявлены производителями: показатель RadixArk получен по результатам восьми прогонов на 198 вопросах с шаблоном simple-evals и перетасованным порядком ответов; у Google — одно опубликованное число в карточке модели.

• Humanity's Last Exam, без инструментов — DaisyRose 27B 34,3 против 8,7 у Gemma 4 26B A4B. Это самый большой разрыв в обеих таблицах, и именно ему меньше всего стоит доверять, потому что конфигурации различаются: RadixArk выполнил пять запусков на каждую задачу с GPT-6 Luna в роли оценщика и без инструментов; 8,7 у Google — это показатель без инструментов, а 17,2 — когда модели разрешён инструмент поиска.

Две строки — это не сравнение, и ни один из поставщиков не запускал испытательный стенд другого. Но разрыв в HLE позволяет предположить — и это именно предположение, а не измерение, — что посттренинг, ориентированный на длительные агентные сессии, переносится на сложные вопросы на рассуждение так, как этого не делает разреженная архитектура, предварительно обученная под широкий набор возможностей. Чего он не показывает, так это того, что эффект составляет 25 пунктов, поскольку испытательные стенды различаются, а одна из двух цифр получена от модели, которой в ее лучшей конфигурации были даны инструменты.

A screenshot of the Hugging Face model card for google/gemma-4-26B-A4B-it, showing the repository header, the mixture-of-experts description with 25.2B total and 3.8B active parameters, the 256K-token context, the Apache 2.0 licence and the benchmark table.

Строки есть только у одной стороны.

Обе карты публикуют бенчмарки, которых не публикует другая, и сама эта асимметрия говорит о том, что каждый производитель считал достойным доказывать.

Gemma 4 26B A4B публикует полную таблицу общих возможностей: MMLU Pro — 82,6, AIME 2026 без инструментов — 88,3, LiveCodeBench v6 — 77,1, Codeforces ELO — 1718, Tau2 в среднем по трём — 68,2, BigBench Extra Hard — 64,8, MMMLU — 86,3, MMMU Pro — 73,8, MATH-Vision — 82,4, а MRCR v2 при восьми иглах и контексте 128K — 44,1. В карточке нет строк Terminal Bench, SWE-bench и IFBench.

DaisyRose 27B вместо этого публикует набор результатов для агентных задач и следования инструкциям: Terminal Bench 4.1 — 12.0 против базового значения 5.6, Terminal Bench 2.1 — 75.5, DeepSWE v1.1 — 46.2, SWE Bench Pro v2 — 94.7 и IFBench — 82.4. На карточке нет строк MMLU Pro, AIME и Codeforces.

Если читать их вместе, две таблицы описывают разные продукты. G​oogle публикует универсальную модель и доказывает её качество на стандартном академическом наборе тестов. RadixArk публикует агентную модель и доказывает её качество на стандартном наборе тестов для агентных сценариев. Пересечение — две строки из примерно двадцати, и покупатель, выбирающий между ними, в основном выбирает, какой набор тестов ему важен, — решение гораздо проще, чем кажется по столбцам с оценками.

Где работает каждый из них

Это тот раздел, который решает сравнение для большинства читателей, потому что истории развёртывания вообще не пересекаются.

• Gemma 4 26B A4B — сегодня доступна на OrcaRouter по цене $0,06 за миллион входных и $0,33 за миллион выходных токенов, наряду с размещённой на Obsidian сборкой той же архитектуры. Открытые веса — Apache 2.0; в bfloat16 (около 51,6 ГБ в двух шардах); Q4_0 GGUF, обученный с учётом квантования и позволяющий запустить модель на одной потребительской видеокарте; сборка w4a16 compressed-tensors для vLLM; и драфтер с многотокенным предсказанием для спекулятивного декодирования. В публикации Google о семействе говорится, что два более крупных размера «эффективно помещаются на одной GPU NVIDIA H100 объёмом 80 ГБ».

• DaisyRose 27B — BF16 занимает около 52 ГБ, FP8 — около 29 ГБ, NVFP4 — около 23 ГБ и поддерживается только на Blackwell, а также драфтер спекулятивного декодирования DSpark для SGLang. RadixArk указывает развёртывание на одном GPU на H200, B200, GB300, RTX PRO 6000, RTX 5090 и DGX Spark. Цены на размещённый API нет; сторонние предложения указывают $0.15 за миллион входных токенов и $1.88 за миллион выходных, что является стартовым предложением одного хостера, а не тарифом поставщика.

Эти цифры дают разрыв в стоимости хостинга примерно в два с половиной раза на входе и почти в шесть раз на выходе — в пользу третьей стороны. Это честное сравнение по прейскурантной цене. Это также сравнение, которое меняется, как только рабочая нагрузка становится длительной: разреженная модель продолжает тратить 3,8 млрд вычислений на токен, тогда как плотная тратит 27,8 млрд, поэтому разрыв увеличивается в задержке и в аппаратных секундах задолго до того, как он увеличивается в долларах за миллион токенов.

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 26B A4B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; active per token 27.8B; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; hosted price none, self-host only. Right column Gemma 4 26B A4B: parameters 25.2B total; active per token 3.8B; context 256K tokens; GPQA Diamond 82.3; HLE no tools 8.7; hosted price $0.06 in, $0.33 out per million. A footer reads 'Vendor-reported on both sides; harnesses differ, no shared run.' The OrcaRouter logo sits in the bottom-right.

Какова ценность агентного обучения на каждый доллар

Интересная версия этого сравнения — не «какая модель набирает больше баллов», а «сколько стоит агентный прирост в расчёте на задачу». Модель RadixArk существует потому, что её базовая модель Qwen3.8-27B набирает 5.6 на Terminal Bench 4.1 и 12.0 после дообучения. Если вы запускаете кодирующего агента, который выполняет команды, это разница между моделью, которая в основном не справляется, и той, которая иногда справляется, а удвоение небольшого числа для подходящего покупателя стоит реальных денег.

У Gemma 4 26B A4B вообще нет показателя Terminal Bench, из-за чего заявление о ценности невозможно измерить по публичным данным. Зато у неё есть цена, которая делает эксперимент дешёвым: при $0,06 за миллион входных токенов можно прогнать несколько тысяч траекторий агента за стоимость часа H200 и выяснить, не отказывает ли модель так, что это важно для вашей нагрузки. Разреженная архитектура делает это дешёвым вдвойне — цена токенов низкая, и токены возвращаются быстро.

Вот как выглядит реальное решение. DaisyRose 27B — это специализированная модель, прошедшая постобучение, с конкретным заявленным производителем утверждением об агентных возможностях и без цены за размещённый доступ. Gemma 4 26B A4B — это универсальная модель с широкой опубликованной таблицей возможностей, быстрым профилем инференса и прайс-листовой ценой в центах за миллион токенов. Если ваша задача — долгосрочное использование инструментов и вы можете разместить модель у себя, специализированную стоит протестировать. Если ваша задача любая другая или вы не можете разместить модель у себя, универсальная модель за $0.06 побеждает по единственной оси, которая имеет значение.

Запуск обоих с одного ключа

Gemma 4 26B A4B уже сегодня доступна на OrcaRouter под идентификатором google/gemma-4-26b-a4b-it по цене $0,06 за миллион входных токенов и $0,33 за миллион выходных, с контекстом в 262 144 токена и поддержкой ввода текста, изображений и видео. DaisyRose 27B на момент написания отсутствует в каталоге, и эта страница не станет утверждать обратное — это самостоятельно развёртываемый релиз через SGLang, vLLM и Docker.

Но его базовая модель всё же доступна. Qwen3.8-27B предоставляется как qwen/qwen3.8-27b по цене $0,33 за миллион входных токенов и $2,40 за миллион выходных, с тем же контекстом в 262 144 токена и той же башней зрения, которую сохраняет посттренировка. Это даёт читателю две полезные вещи: baseline из того же семейства, который можно прогнать на собственных промптах, прежде чем решать, стоит ли развёртывать RL-посттренировку, и запасной маршрут. Если самостоятельно размещённый экземпляр DaisyRose упирается в тайм-аут песочницы, правило маршрутизации может передать вызов базовой модели, а не отбросить его, и поскольку мы передаём прейскурантные цены провайдеров с наценкой 0%, изменение цены на стороне вендора на любом из концов доходит до того же ключа в день, когда оно вступает в силу.

Самый дешёвый следующий шаг — не бенчмарк: это запуск Gemma 4 26B A4B и Qwen3.8-27B на ваших собственных трассах агента, именно в таком порядке — сначала дешёвая модель, чтобы увидеть, где ваши задачи на самом деле ломаются, затем более дорогой ориентир, чтобы понять, вызвана ли поломка самой базовой моделью. И только после этого у восемнадцатидневного RL-дообучения появляется ориентир, относительно которого можно что-то доказывать.

Сравнение в этой статье1

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно