Титульная карточка с надписью «DaisyRose 27B vs Granite 4.2 30B», подзаголовком «46 points apart on Terminal Bench 2.1», над тремя карточками с надписями «DaisyRose: 27.8B dense, 75.5 on Terminal Bench 2.1», «Granite 4.2 30B: 30B dense, 29.24 on Terminal Bench 2.1» и «Both: Apache 2.0, self-host first», с нижним колонтитулом «Both figures vendor-reported, on each vendor's own harness.» Логотип OrcaRouter расположен в правом нижнем углу.
Guides & Insights

DaisyRose 27B против Granite 4.2 30B: 46 баллов, два харнесса

Автор

jinhao.song

Дата публикации

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

DaisyRose 27B и Granite 4.2 30B обе показывают результат в Terminal Bench 2.1. DaisyRose 27B — опубликованное 18 ноября 2026 года дообучение Qwen3.8-27B от RadixArk исключительно методом обучения с подкреплением — набирает 75,5 против 73,0 у своей базовой модели. Granite 4.2 30B — плотная модель IBM с 30 млрд параметров, выпущенная 25 августа 2026 года, — набирает 29,24. Это разрыв в 46 пунктов при одном и том же названии бенчмарка между двумя плотными моделями почти одинакового размера, и напрашивающийся вывод — что DaisyRose 27B в два с половиной раза лучше справляется с агентными задачами в терминале — почти наверняка неверен. Эти два числа были получены не одинаковым способом, и эта страница в основном о том, как разрыв в 46 пунктов может быть меньше, чем кажется.

У этих двух моделей гораздо больше общего, чем можно предположить по этому разрыву: обе плотные, обе имеют около 30 млрд параметров, обе распространяются под Apache 2.0, обе выпущены с открытыми весами и не имеют цены на API, хостируемый вендором, которую можно было бы привести, обе специально обучены агентному использованию инструментов в песочницах. По архитектуре и назначению это наиболее близкая пара во всей серии — именно поэтому числа в их карточках стоит читать внимательно, а не вычитать одно из другого.

Анатомия разрыва в 46 пунктов

Начните с того, что каждый производитель говорит о том, как было получено это число, потому что обе карточки на удивление подробны и описывают разные измерения.

• DaisyRose 27B — пять запусков на задачу в harness Terminus 2. В карточке сравнения Terminus 2 указан явно и приведено количество запусков. Сэмплирование выполнялось с temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh, а опубликованный балл — лучший из результатов запусков BF16 и FP8.

• Granite 4.2 30B — 29,24 балла на Terminal-Bench 2.1, указано одной строкой таблицы в карточке модели. В карточке подробно описано агентное обучение семейства — второй проход дообучения с учителем по агентным данным по программной инженерии с увеличенной выборкой, затем агентное обучение с подкреплением в песочнице при выполнении задач в стиле SWE-bench, операций в терминале и веб-поиска — но в самой строке Terminal-Bench не указаны количество запусков, название харнесса и конфигурация сэмплирования.

Эта асимметрия — вот вся суть этих 46 баллов. Один вендор опубликовал подробно инструментированный результат при максимальном усилии рассуждения по итогам пяти прогонов; другой опубликовал одну ячейку таблицы. Результат Terminal-Bench при усилии рассуждения xhigh может сдвинуться на десятки баллов относительно той же модели с настройками по умолчанию, потому что этот бенчмарк представляет собой последовательность shell-команд, где модель, которая думает дольше, получает больше попыток исправить собственные ошибки. Сравнивать показатель best-effort/high-effort, полученный за пять прогонов, с неквалифицированным единичным числом — это вообще не сравнение.

Есть вторая асимметрия — более тонкая и более интересная. Собственная базовая модель DaisyRose 27B, Qwen3.8-27B, набирает 73,0 в той же строке той же карточки. Таким образом, дообучение RadixArk улучшило Terminal Bench 2.1 на 2,5 балла, тогда как разрыв в 46 баллов с Granite складывается из 44 баллов разницы базовых моделей и 2 баллов обучения. Всё, что разделяет этих двух поставщиков на этом бенчмарке, заключено в стартовой точке, а не в обучении с подкреплением.

Там, где встречаются столы

Ещё две строки являются общими, и обе более сопоставимы, чем Terminal-Bench.

• GPQA Diamond — DaisyRose 27B — 90.7 по восьми прогонам на 198 вопросах с перетасованным порядком ответов; Granite 4.2 30B — 66.41. Разрыв в 24 пункта, который вряд ли можно правдоподобно объяснить различиями в тестовом стенде. Базовая версия DaisyRose набирает 89.2, поэтому посттренировка добавила 1.5 балла базовой модели, которая и так была далеко впереди.

• IFBench — DaisyRose 27B: 82.4 по результатам четырёх прогонов на 300 промптах с официальным скорером allenai, строгая точность на уровне промптов без учёта thinking; Granite 4.2 30B — 77.17 с пометкой «prompt» на карточке. Разрыв в 5 пунктов — и самое близкое к настоящей ничьей на любой из карточек.

Именно показатель GPQA должен изменить то, как читатель воспринимает это сравнение. Granite 4.2 30B — модель, которую IBM создала для корпоративных агентных задач: двенадцать протестированных языков, три режима рассуждений, вызов инструментов, нативный контекст 128K с расширением до 512K — и она набирает 66.41 на вопросах науки уровня выпускника. DaisyRose 27B набирает 90.7. Какими бы ни были оговорки о методике тестирования в Terminal-Bench, в вопросах науки уровня выпускника нет методики, способной давать разброс в 24 балла, и честный вывод таков: базовая модель RadixArk, Qwen3.8-27B с результатом 89.2, просто является более сильной моделью рассуждений, чем база, с которой начинала IBM.

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.

Две совершенно разные идеи агентного обучения

Обе модели были обучены работать в песочнице, и два описания этого обучения — самая показательная часть каждой из карточек.

Подход RadixArk заключался в том, чтобы изменить как можно меньше. DaisyRose 27B сохраняет архитектуру, токенизатор, шаблон чата, визуальный модуль и контекст в 262 144 токена от Qwen3.8-27B без изменений, а обучение с подкреплением применяется примерно к 1 200 отобранным долгосрочным задачам, созданным с помощью Eigent AI — задачам, построенным так, чтобы объединять несколько проблем в цепочку, противостоять взлому функции вознаграждения и выполняться в сессиях объёмом до одного миллиона токенов. Восемнадцать дней, 144 H200, 63 000 GPU-часов, около 944 000 песочниц. Без обучения с учителем, без дистилляции.

Подход IBM заключался в поэтапном изменении поведения. Семейство Granite 4.2 30B прошло второй этап дообучения с учителем на дополнительно увеличенных агентных данных по программной инженерии, а затем агентное обучение с подкреплением, в ходе которого модель запускалась в песочнице на задачах в стиле SWE-bench, операциях с терминалом и веб-поиске. В карточке модели прямо указано, что 30B — самый сильный представитель семейства в работе, требующей интенсивных рассуждений, и в агентных задачах. Она также содержит полную таблицу общих возможностей, двенадцать протестированных языков, три режима мышления и встроенную цепочку рассуждений.

Описание обучения ни одного из поставщиков не предсказывает профиль бенчмарков другого, и именно это показывают таблицы: DaisyRose 27B уверенно лидирует в строках, требующих сложных рассуждений, и ничего не публикует по многоязычности или зрению; Granite 4.2 30B публикует данные по всему корпоративному набору — 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 — и набирает 66.41 там, где они пересекаются в области естественных наук.

Контекст, память и история развёртывания

512K-расширение Granite — это реальное отличие, которое не отражает ни одна строка бенчмарка, и стоит точно указать, что заявлено в карточке: 128K нативного контекста, «расширение длинного контекста до 512K», при этом в таблице модели указана длина последовательности 131 072. Расширение — не то же самое, что нативный контекст, и показатели RULER в карточке демонстрируют цену этого: 89,96 при 64K против 81,38 при 128K на одной и той же модели. DaisyRose 27B занимает противоположную позицию: ровно 262 144 токена без варианта с длинным контекстом, унаследованного от Qwen3.8-27B, а RadixArk отмечает, что его собственные прогоны длинных рассуждений достигают десятков тысяч токенов, и именно туда на практике уходит значительная часть этого окна.

• Веса DaisyRose 27B — BF16 около 52 ГБ, FP8 около 29 ГБ, NVFP4 около 23 ГБ и только для Blackwell, плюс драфтер Qwen3.8-27B-DSpark для спекулятивного декодирования. RadixArk рекомендует SGLang с DSpark и публикует эталонную конфигурацию на четырёх GPU с KV-кэшем FP8.

• Веса Granite 4.2 30B — около 29B, хранятся в bfloat16, лицензия Apache 2.0; вместе с релизом BF16 поставляются квантования FP8, NVFP4/MXFP4 и GGUF. При плотной архитектуре 30B он оказывается примерно в том же классе памяти, что и сборка DaisyRose BF16, так что ни у одного из них нет преимущества по занимаемому объёму, о котором стоило бы спорить.

Разница в развёртывании заключается в поддержке, а не в размере. Granite 4.2 30B доступна для скачивания и запуска уже три месяца, имеет квантованные версии, опубликованные IBM для нескольких сред выполнения, и экосистему людей, которые уже сталкивались с её режимами отказов. DaisyRose 27B существует всего три дня, имеет три варианта точности, один рекомендуемый путь обслуживания и ни одного опубликованного показателя пропускной способности для какой-либо конфигурации оборудования.

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.

Ни один из них здесь не находится на размещённом эндпоинте.

Это наименее удовлетворительный раздел сравнения, и стоит сказать прямо: ни DaisyRose 27B, ни Granite 4.2 30B не фигурируют в каталоге OrcaRouter на момент написания. RadixArk не публикует хостинговый API DaisyRose и указывает на SGLang, vLLM и Docker; Granite 4.2 30B от IBM — это релиз с открытыми весами, практический путь для которого — самостоятельный хостинг, и у вендора нет тарифа, который можно было бы привести. Сторонние прайс-листы для DaisyRose указывают $0.15 за миллион входных токенов и $1.88 за миллион выходных, что является стартовой позицией хостера, а не ценой вендора, и именно так это и следует воспринимать.

Для читателя, который пытается принять решение, это означает, что этот выбор нельзя решить простой сменой базового URL. Обе модели требуют GPU, и честный совет — сначала провести более дешёвый эксперимент: если ваша нагрузка укладывается в нативный контекст 128K Granite 4.2 30B и в опубликованную таблицу возможностей, у модели за спиной три месяца чужих ошибок, и вы за день сможете выяснить, даст ли она сбой на ваших задачах.

Что сделало бы это сравнение реальным?

Один прогон на одном харнессе решил бы большую часть вопросов на этой странице. Terminal-Bench открыт, задачи фиксированы, и обе модели загружаются в средах, близких к llama.cpp, при сопоставимой точности. Если бы кто-то опубликовал DaisyRose 27B и Granite 4.2 30B на одном и том же харнессе с одинаковыми настройками сэмплирования, разрыв в 46 пунктов схлопнулся бы в то, чем он на самом деле является — вероятно, где-то между цифрами двух вендоров, поскольку у DaisyRose это лучший из двух при усилии xhigh, а у Granite — без оговорок.

До тех пор защитимая интерпретация остаётся более узкой и всё ещё полезной: в науке уровня выпускника, где испытательные обвязки значат меньше всего, модель RadixArk намного опережает модель IBM — с отрывом, который не объяснить ни числом прогонов, ни перемешиванием порядка ответов. В следовании инструкциям две модели близки. О работе терминального агента никто не может сказать ничего определённого, а опубликованный разрыв в 46 пунктов в не меньшей степени отражает различия двух схем оценки, чем различия двух моделей.

Для команды, выбирающей сегодня, решение зависит не столько от таблицы бенчмарков, сколько от зрелости. Granite 4.2 30B — это готовая, документированная корпоративная модель возрастом в три месяца, с квантованиями и таблицей мультиязычных результатов. DaisyRose 27B — это восемнадцатидневный эксперимент по обучению с подкреплением с впечатляющим набором цифр от поставщика, одной общей строкой, которая их подтверждает, и отсутствием какого-либо независимого воспроизведения. Если нагрузка — производственная, а срок — сейчас, эта разница решает дело. Если нагрузка — это агент, который вы контролируете, и вы можете позволить себе провести бенчмарк, строки GPQA и IFBench у DaisyRose 27B — достаточная причина поставить её в тот же испытательный стенд, что и модель, которую вы используете сегодня, и посмотреть, что получится.