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

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.

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.
