Сгенерированная титульная карточка с надписью «DaisyRose 27B vs Gemma 4 31B», подзаголовком «Две плотные модели, две разные задачи», над тремя закруглёнными карточками с надписями «DaisyRose: 27,8 млрд, плотная, посттренировка только с RL», «Gemma 4 31B: 30,7 млрд, плотная, общая способность» и «GPQA Diamond: 90,7 против 84,3», с нижним колонтитулом «Показатели DaisyRose по данным RadixArk, ноябрь 2026; показатели Gemma 4 31B по данным Google DeepMind». Логотип OrcaRouter расположен в правом нижнем углу.
Guides & Insights

DaisyRose 27B против Gemma 4 31B: две плотные модели, две разные задачи

Автор

jinhao.song

Дата публикации

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

DaisyRose 27B и Gemma 4 31B — самая близкая пара в этом семействе сравнений: обе плотные, обе имеют от 27 до 31 млрд параметров, обе мультимодальные с контекстом в 256K токенов, обе под лицензией Apache 2.0, обе поставляются с драфтером для спекулятивного декодирования вместе с весами. Судя по данным, которые их производители решили опубликовать, они также ориентированы на разных покупателей. Gemma 4 31B — универсальная модель от Google DeepMind: плотная модель на 30,7 млрд параметров с настраиваемым режимом размышления, нативным вызовом функций, поддержкой более 140 языков и таблицей возможностей из четырнадцати строк, охватывающей всё от AIME до разбора документов. DaisyRose 27B — специализированная модель от RadixArk, опубликованная 18 ноября 2026 года, дообученная только с помощью обучения с подкреплением на долгосрочных агентных задачах и подтверждённая таблицей агентных возможностей из пяти строк. Модели почти идентичны по форме; доказательства, которые предлагает каждый производитель, почти не пересекаются.

Только один бенчмарк в обеих таблицах фигурирует под обоими названиями: GPQA Diamond, где DaisyRose 27B показывает 90,7, а Gemma 4 31B — 84,3. Шесть с половиной баллов на экзамене по науке уровня выпускника вуза от модели с на 2,9 млрд меньшим числом параметров — это главная новость этой страницы, а всё остальное — о том, почему эта новость менее убедительна, чем кажется.

Две архитектуры, которые похожи друг на друга

Уберите брендинг — и технические характеристики совпадают сильнее, чем в любом другом противостоянии в этой серии.

• Параметры — DaisyRose 27B: 27,8 млрд плотных параметров, из которых 0,46 млрд приходится на визуальный энкодер, а 0,42 млрд — на голову многотокенного предсказания, против Gemma 4 31B с 30,7 млрд плотных параметров и визуальным энкодером примерно на 550 млн параметров. Ни с одной стороны нет маршрутизации экспертов, поэтому количество активных параметров равно общему у обеих моделей.

• Контекст — 262 144 токена для DaisyRose 27B; 256K для Gemma 4 31B. На практике это один и тот же потолок.

• Модальности — текст и изображение на входе, текст на выходе, у обоих. Аудио недоступно ни для одного из размеров; на стороне Gemma оно ограничено представителями семейства E2B, E4B и 12B.

• Лицензия — Apache 2.0 для обоих, указано на обеих карточках моделей.

• Техника длинного контекста — Gemma 4 31B достигает этого с помощью 60 слоёв, локального скользящего окна на 1 024 токена, чередующегося с полным глобальным вниманием, объединённых ключей и значений в глобальных слоях и пропорционального RoPE. DaisyRose 27B наследует архитектуру Qwen3.8-27B без изменений — это та же идея гибридного внимания, пришедшая из другой конструкторской линии.

Два места, где они действительно различаются, — это те, что определяют, для чего нужна модель. Gemma 4 31B поставляется с настраиваемым режимом размышления, нативным вызовом функций и явной поддержкой системной роли. DaisyRose 27B поставляется с шаблоном чата, идентичным шаблону её базовой модели, и прогоном обучения, весь бюджет которого был потрачен на поведение в терминале и при работе с инструментами, а не на широту охвата.

Единственная строка, которая у них общая

GPQA Diamond, 198 научных вопросов уровня выпускника, — единственный бенчмарк, который публикуют обе карточки, и конфигурации, стоящие за этими двумя числами, не являются одним и тем же измерением.

Показатель 90.7 у DaisyRose 27B получен из восьми прогонов по 198 вопросам с использованием шаблона simple-evals, при этом порядок ответов каждый раз перемешивался; он указан как лучший результат среди прогонов в BF16 и FP8. Показатель 84.3 у Gemma 4 31B — единственное число в карточке модели G​oogle, при этом в самой таблице не указаны ни количество прогонов, ни используемый харнесс.

Так что разрыв реальный в том смысле, что оба поставщика опубликовали число под одним и тем же названием бенчмарка, и нестрогий в том смысле, что у одной стороны восемь прогонов и протокол перетасовки, а методология другой — сноска. Шесть с половиной пунктов — это примерно тридцать три вопроса из 198. Это больше, чем шум выборки на наборе из 198 вопросов, но разница в тестовой обвязке такого размера не беспрецедентна, и ни один из поставщиков не проводил оценку другого.

Что делает строку интереснее, чем отдельная оценка, — это то, где она находится относительно базового уровня каждой модели. DaisyRose 27B улучшает результат GPQA Diamond с 89,2 до 90,7 по сравнению с Qwen3.8-27B — прирост на 1,5 балла за восемнадцать дней обучения с подкреплением. Gemma 4 31B набирает 84,3, что на 2 балла выше, чем 82,3 у её собственного собрата 26B A4B. На этом бенчмарке обе модели близки к тому уровню, который им дало предварительное обучение, и постобучение мало что изменило у обеих. Если вы выбираете между ними в области науки для выпускников, шестибалльный разрыв — это в основном разрыв между базовыми моделями, а не разрыв в рецепте обучения.

A screenshot of the Hugging Face model card for google/gemma-4-31B-it showing the repository header, the dense 30.7B description, the 256K-token context, the Apache 2.0 licence and the benchmark comparison table against Gemma 4 26B A4B.

Таблицы, которые заполнила только одна сторона

Здесь сравнение перестаёт быть сравнением и превращается в выбор доказательств. Google опубликовал общую таблицу возможностей, а RadixArk — таблицу агентных возможностей, и они не пересекаются друг с другом.

В карточке Gemma 4 31B указаны: MMLU Pro — 85.2, AIME 2026 без инструментов — 89.2, LiveCodeBench v6 — 80.0, Codeforces ELO — 2150, Tau2 — 76.9, HLE без инструментов — 19.5 и с поиском — 26.5, BigBench Extra Hard — 74.4, MMMLU — 88.4, MMMU Pro — 76.9, MATH-Vision — 85.6, MedXPertQA MM — 61.3, OmniDocBench 1.5 — 0.131 и MRCR v2 при восьми иглах и контексте 128K — 66.4. Строки Terminal Bench, SWE-bench и IFBench отсутствуют.

В карточке DaisyRose 27B указаны Terminal Bench 4.1 — 12.0 при базовом значении 5.6, Terminal Bench 2.1 — 75.5, DeepSWE v1.1 — 46.2, SWE Bench Pro v2 — 94.7 и IFBench — 82.4, а также HLE только для текста — 34.3 и GPQA Diamond — 90.7. Там нет ни MMLU Pro, ни AIME, ни Codeforces и вообще нет строки с vision-бенчмарком — хотя модель оснащена визуальным энкодером.

Две асимметрии в этом сопоставлении заслуживают того, чтобы их назвать. Первая — HLE: RadixArk сообщает 34,3 без инструментов, Google — 19,5 без инструментов и 26,5 с поиском. Даже если дать Gemma 4 31B её конфигурацию с поддержкой инструментов, показатель DaisyRose 27B выше почти на восемь пунктов, — но оценщики различаются: RadixArk использовала GPT-6 Luna на пяти прогонах на задачу, тогда как Google не раскрывает схему оценки. Вторая — зрение: DaisyRose 27B поставляется с визуальным энкодером на 0,46B и вообще не публикует ни одного визуального бенчмарка, поэтому её мультимодальные возможности публично не измерены. Gemma 4 31B публикует результаты по MMMU Pro, MATH-Vision, OmniDocBench и MedXPertQA. Если вам нужно понимание изображений, у одной из этих моделей есть доказательства, а у другой — энкодер.

Память, форматы и сколько стоит каждая загрузка

Обе модели занимают от 52 до 63 ГБ при полной точности, что относит их к одному и тому же классу оборудования и делает список форматов полезной частью сравнения.

• DaisyRose 27B — BF16 около 52 ГБ, FP8 около 29 ГБ, NVFP4 около 23 ГБ и только для Blackwell, плюс RadixArk/Qwen3.8-27B-DSpark как драфтер спекулятивного декодирования для SGLang. Эталонная конфигурация — четыре реплики с параллелизмом по данным на узле с четырьмя GPU при тензорном параллелизме 1, контекст 262 144 токена и FP8 KV-кэш. RadixArk указывает развёртывание на одном GPU на H200, B200, GB300, RTX PRO 6000, RTX 5090 и DGX Spark.

• Gemma 4 31B — bfloat16 в двух шардах safetensors размером примерно 49,8 ГБ и 12,8 ГБ, вместе около 62,5 ГБ. QAT Q4_0 GGUF на 17,7 ГБ плюс визуальный проектор на 1,2 ГБ — примерно 18,9 ГБ до KV-кэша, что позволяет разместить топовую плотную модель линейки Gemma на одной потребительской карте с 24 ГБ. Сборка compressed-tensors QAT w4a16 на 23,3 ГБ для vLLM, неквантованный чекпойнт Q4_0, содержащий веса QAT без упаковки, и драфтер для предсказания нескольких токенов на 0,94 ГБ.

Линейка GGUF — вот в чём конкретное отличие. Google поставляет 4-битную сборку собственного производства, которая помещается на 24-ГБ видеокарту; RadixArk поставляет три варианта точности и ожидает, что вы будете обслуживать их через SGLang. Для команды с рабочей станцией и без стека обслуживания это не близкий выбор — одна загрузка просто запускается, а другая требует развёртывания.

Одна коварная деталь: карточка Gemma требует, чтобы ассистент спекулятивного декодирования соответствовал точности целевого чекпойнта, поэтому драфтер объёмом 0,94 ГБ работает в паре с целевой моделью QAT 31B, а не с релизом bfloat16. Драфтер RadixArk назван по Qwen3.8-27B и работает в паре с собственной FP8-сборкой DaisyRose 27B.

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 31B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; training RL only, 63,000 GPU-hours; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; formats BF16, FP8, NVFP4. Right column Gemma 4 31B: parameters 30.7B dense; training general pretrain plus post-train; context 256K tokens; GPQA Diamond 84.3; HLE no tools 19.5; formats BF16, QAT Q4_0 GGUF, w4a16. A footer reads 'Both vendor-reported; only GPQA Diamond is published on both cards.' The OrcaRouter logo sits in the bottom-right.

Стоимость и то, что имеет цену

Gemma 4 31B с сегодняшнего дня доступна на OrcaRouter как google/gemma-4-31b-it по цене $0,13 за миллион входных токенов и $0,38 за миллион выходных, с настраиваемым режимом размышлений, нативным вызовом функций и контекстом в 256K. Суффикс -it является частью строки, которую передаёт клиент.

У DaisyRose 27B нет цены за хостинг от вендора. Сайт RadixArk описывает обучение и обслуживание для других лабораторий и не публикует endpoint DaisyRose; карточка модели указывает только на самостоятельный хостинг через SGLang, vLLM и Docker. Сторонние предложения указывают $0.15 за миллион входных токенов и $1.88 за миллион выходных, но это стартовая позиция одного хостера, а не тариф вендора.

Сопоставьте их, и сравнение хостинга пойдёт вразрез с таблицей бенчмарков: Gemma 4 31B — тринадцать центов за миллион входных токенов против пятнадцати у стороннего хостинг-провайдера, но тридцать восемь центов против одного доллара восьмидесяти восьми центов на выходе. На нагрузке с преобладанием генерации это пятикратная разница в пользу более крупной модели, и она имеет структурную причину — у Gemma 4 31B есть устоявшийся уровень хостинга, где конкурируют несколько провайдеров, тогда как у DaisyRose 27B один хост и три дня истории.

A screenshot of the OrcaRouter model catalogue page for google/gemma-4-31b-it showing the model listing, the 30.7B dense description, the 256K-token context and the per-million-token pricing.

Для какой задачи создавалась каждая модель

Честный вывод таков: эти модели не конкурируют за одну и ту же покупку, и таблицы бенчмарков доказывают это, отказываясь пересекаться.

Gemma 4 31B — это модель, которую стоит выбрать, если вам нужна широта возможностей: режим обдумывания, который можно ослабить, вызов функций, работающий с существующими схемами инструментов, более 140 языков, опубликованная оценка возможностей зрения, квантованная сборка, запускаемая на рабочей станции, и облачная цена в тринадцать центов за миллион входных токенов. Это безопасный выбор для универсального продукта, а цена ошибки — несколько долларов затрат на API.

DaisyRose 27B — это та модель, которая вам нужна, если вы создаёте терминального агента и можете её разместить у себя. Её показатель Terminal Bench 4.1 более чем вдвое превышает показатель собственной базовой модели, её SWE Bench Pro v2 составляет 94,7, а IFBench на уровне 82,4 — самый высокий в сравнительной таблице RadixArk. Все эти цифры заявлены производителем, ни одна не была независимо воспроизведена, а модели всего три дня. Но форма заявленного утверждения достаточно конкретна, чтобы её проверить: прогоните собственные трассы агента на Qwen3.8-27B — доступна 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 тем же vision-стеком — и посмотрите, тот ли это режим отказа, от которого RadixArk обучил модель избавиться, с которым реально сталкиваетесь вы.

Это также самый дешёвый способ определиться между этими двумя. Gemma 4 31B и Qwen3.8-27B находятся за одним ключом OrcaRouter без второго контракта и без изменения кода, с 0% наценки к прейскурантной цене каждого провайдера, поэтому изменение цены у любой из сторон дойдёт до вас в день, когда оно вступит в силу. Если Gemma 4 31B справляется с вашим агентным циклом, вы укладываетесь в тринадцать центов. Если нет и базовая модель ошибается в том же месте, то следующее, за что стоит платить, — восемнадцатидневное RL-дообучение на H200 — и к тому времени вы будете знать, что именно покупаете, чтобы это исправить.