Сгенерированная титульная карточка с надписью «DaisyRose 27B против ZWZ2 27B» и подзаголовком «Средние значения против фронтиров», левая карточка со списком DaisyRose-27B на базе Qwen3.8-27B, указанными семью бенчмарками и ключевым результатом Terminal Bench 4.1 из 12.0, правая карточка со списком ZwZ2-27B на базе Qwen3.6-27B, указанными двадцатью пятью бенчмарками и ключевым средним значением 60.51, нижний колонтитул с надписью «Обе таблицы по данным вендора; разница в одно поколение базовой модели» и логотип OrcaRouter.
Guides & Insights

DaisyRose 27B против ZWZ2 27B: средние показатели против передовых рубежей

Автор

jinhao.song

Дата публикации

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

Поставьте DaisyRose-27B и ZWZ2-27B рядом друг с другом, и вы получите два настоящих RL-посттренированных чекпоинта Q​wen, выпущенных с разницей в три недели осенью 2026 года и описанных в двух совершенно разных стилях. DaisyRose-27B от RadixArk, выпущенная 18 ноября 2026 года, представляет собой семь бенчмарков против Qwen3.8-27B, причём наибольший относительный прирост приходится на самый сложный из них. ZWZ2-27B от inclusionAI охватывает двадцать пять бенчмарков в шести доменах против Qwen3.6-27B; результаты представлены в виде среднего балла, который растёт с 55.52 до 60.51.

Одна лаборатория опубликовала передовой результат. Другая — средний. Это не утверждения одного и того же типа, и эта разница говорит о том, для чего предназначена каждая модель, больше, чем любое отдельное число в любой из двух таблиц.

Разные базы, с разницей в одно поколение

Самый важный факт в этом сравнении заключается в том, что две модели не имеют общего предка. ZWZ2-27B построена на Qwen3.6-27B; DaisyRose-27B построена на Qwen3.8-27B. Это разница в одно поколение базовой модели, а значит, очное сравнение, которое обычно проводит страница «vs», здесь вообще недоступно — не потому, что не хватает цифр, а потому, что победа над базой предыдущего поколения говорит о другом, чем победа над текущей.

Карточка самой ZWZ2-27B делает это очевидным, сообщая каждый прирост относительно Qwen3.6-27B. Карточка DaisyRose-27B сообщает показатели относительно Qwen3.8-27B. Читатель, сравнивающий две цифры прироста, сравнивает улучшение относительно более старой базовой модели с улучшением относительно более новой, а более новая база стартовала с более высокого уровня. Никакая арифметика этого не исправит, и ни одна честная статья не должна пытаться.

Как ZWZ2 сообщает о себе

Оценка ZwZ2-27B организована по предметным областям, а не по сложности бенчмарков. Двадцать пять бенчмарков, сгруппированных в шесть областей, причём для каждой области приводится собственное среднее значение до и после:

• Мелкодетальное восприятие — с 62,09 до 67,57, прирост на 5,48 по восьми бенчмаркам, включая VStar, HR-Bench 8K и MME-RealWorld.

• Пространственное мышление — с 49,72 до 55,98, рост на 6,26, наибольший прирост по домену.

• Общие визуальные рассуждения — с 47.89 до 53.71, рост на 5.82, охватывая MMStar и BabyVision.

• Воплощённое пространственное — с 50,17 до 55,71, рост на 5,54.

• Длинный контекст — с 65.87 до 68.77, рост на 2.90.

• Мультимодальные агенты — с 49,73 до 51,81, рост на 2,08 — самый маленький прирост, но и самый показательный.

Общее среднее значение возрастает с 55,52 до 60,51 — на 4,99, и inclusionAI утверждает, что дообученная модель превосходит базовую по всем двадцати пяти бенчмаркам. Это сильное утверждение о согласованности и слабое утверждение о какой-либо конкретной способности, поскольку среднее по двадцати пяти тестам определяется теми тестами, в которых модель уже была хороша.

Как DaisyRose сообщает о себе

RadixArk выбрала противоположный подход: семь бенчмарков, каждый указан отдельно, а рядом — результат базовой модели. Terminal Bench 4.1 — с 5,6 до 12,0, Terminal Bench 2.1 — с 73,0 до 75,5, DeepSWE v1.1 — с 42,2 до 46,2, SWE Bench Pro v2 — с 91,3 до 94,7, Humanity's Last Exam — с 33,9 до 34,3, IFBench — с 79,5 до 82,4, GPQA Diamond — с 89,2 до 90,7.

Среднее значение не приводится, и в этом суть. Заявленный прирост — более чем вдвое на Terminal Bench 4.1 — это прирост от очень низкой базы: 5,6 близко к нижнему пределу. Два бенчмарка, где база уже была сильной, HLE и GPQA Diamond, почти не меняются. Если читать таблицу как единое целое, она говорит, что настройка дала агентную компетентность и не тронула общее рассуждение — именно это и должна давать награда, построенная на долгосрочных агентных задачах.

A generated two-column scoreboard. DaisyRose-27B: base model Qwen3.8-27B, benchmarks published 7, Terminal Bench 4.1 5.6 to 12.0, Humanity's Last Exam 34.3, reporting style individual rows, context 262,144. ZwZ2-27B: base model Qwen3.6-27B, benchmarks published 25, reporting style domain means, context 262,144. Footer reads 'Vendor-reported; the two bases are one generation apart.'

Что скрывает среднее значение по 25 бенчмаркам

Самые слабые абсолютные строки ZWZ2-27B — самые интересные, и его собственная карточка их публикует: Chartography 12.00, AgentVista 18.18, Perception-Bench 44.93 и ScreenSpot-Pro 70.59. Они соседствуют со средними по домену в пятидесятых и шестидесятых, а это значит, что среднее держится за счёт бенчмарков, на которых модель показывает хорошие результаты, тогда как действительно сложные находятся почти у нижнего предела.

Это нормально для посттренинга и не должно восприниматься как недостаток. Однако это именно та информация, которую стирает среднее значение. Команда, которая видит «60.51» и ожидает модель, на 60% хорошую во всём, будет сильно удивлена показателем Chartography — 12. Команда, которая смотрит на строки по отдельным бенчмаркам, сразу понимает, для каких из её рабочих нагрузок эта модель не обучалась.

То же предостережение применимо в обратном смысле к DaisyRose-27B. Её результат 12,0 в Terminal Bench 4.1 — это большой относительный прирост и слабый абсолютный результат, и карточка честно говорит об обоих. Ни у одной из моделей её основной показатель не выдерживает сопоставления с собственными строками детализации.

Архитектура и лицензия

Оба наследуют свою базовую конфигурацию без изменений. ZWZ2-27B использует опубликованную конфигурацию Qwen3.6-27B: размер скрытого состояния 5 120, 64 слоя, 24 головы запросов и 4 головы ключей-значений размерностью 256, FFN размером 17 408, паттерн внимания в пропорции 3:1 (линейное к полному), повторяющийся шестнадцать раз, чередующийся M-RoPE с базой RoPE, равной десяти миллионам, словарь из 248 320 токенов и 262 144 нативных позиции. Его визуальная башня — 27 слоёв шириной 1 152 с проекцией в 5 120, с патчами размером 16 пикселей и объединением 2×2. Слоя предсказания нескольких токенов нет — в конфигурации для него установлено значение ноль — а веса BF16 занимают примерно 54 ГБ в двух шардах; документированный путь — transformers 5.13.1.

DaisyRose-27B использует конфигурацию Qwen3.8-27B: тот же размер скрытого слоя и то же число слоёв, линейное внимание Gated DeltaNet по той же схеме три к одному, визуальный энкодер на 0,46B и головка предсказания на 0,42B, которых нет у ZWZ2-27B. Контекст у обоих — 262 144. DaisyRose поставляется в BF16 объёмом около 52 ГБ, в FP8 — 29 ГБ и в NVFP4 — 23 ГБ вместе с полным рецептом обслуживания SGLang; ZwZ2-27B поставляется только в BF16.

• Лицензия — Apache-2.0 для обоих, унаследована от их базовых версий.

• Vision — оба принимают изображения и возвращают текст; ни один из них не является текстовым.

• Квантования — три формата для DaisyRose-27B, BF16 только для ZwZ2-27B.

• {{1}}Документация по обслуживанию — подробный рецепт SGLang со спекулятивным декодированием для DaisyRose-27B; краткое руководство по началу работы с transformers для ZwZ2-27B.{{/1}}

• Независимая оценка — на момент написания не проводилась ни для одной из моделей.

Screenshot of the RadixArk release post for DaisyRose-27B captured 21 November 2026, dated November 18, 2026 and headed 'DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency', stating that the model is built on Qwen3.8-27B and trained with reinforcement learning on long-horizon agent tasks with sessions up to 1M tokens, using 1,200 curated tasks in 18 days on 144 GPUs.

Вопрос восприятия

Прирост ZwZ2-27B сосредоточен в восприятии и пространственном мышлении: мелкозернистое восприятие +5,48, пространственное +6,26, воплощённое пространственное +5,54, а такие бенчмарки высокого разрешения, как HR-Bench 8K, входят в первую группу. DaisyRose-27B вообще не сообщает ни об одном бенчмарке восприятия. Её визуальный энкодер унаследован и не изменялся, и ничто в карточке не указывает на то, что награда повлияла на него.

Эта асимметрия и есть решение. Если ваша рабочая нагрузка — это скриншот, плотный график, отсканированная страница или пространственная компоновка, карточка ZwZ2-27B напрямую это охватывает, а карточка DaisyRose-27B — нет. Если ваша рабочая нагрузка — это терминал, репозиторий или длинная сессия вызовов инструментов, верно обратное: карточка DaisyRose-27B полна именно таких строк, а самая слабая область ZwZ2-27B — мультимодальные агенты со средним значением 51.81.

Ни одна из карточек не является лучшим доказательством, чем другая. Они представляют собой доказательства о разных вещах, полученные по разным протоколам, и правильный подход — читать каждую из них применительно к вопросу, для ответа на который она создавалась.

Запуск их и смешивание

Ни DaisyRose-27B, ни ZwZ2-27B сегодня не размещены на OrcaRouter. Обе модели представляют собой веса, которые вы обслуживаете сами или получаете через сторонние платформы, а значит, обе несут одну и ту же операционную проблему: два чекпоинта, два развёртывания, два набора решений о вычислительных ресурсах и никакой возможности отправить запрос той из них, которая сейчас доступна.

Именно для такого случая и создавался механизм маршрутизации. Когда две модели разделяют нагрузку по чёткой границе — восприятие с одной стороны, агентные действия с другой — приложению всё равно приходится классифицировать запросы и обращаться к двум разным эндпоинтам. DSL маршрутизации OrcaRouter позволяет разместить эту классификацию в одном месте, объединив две модели в единый путь вызова, с автоматическим переключением при отказе, чтобы перегруженное развёртывание в собственной инфраструктуре переходило ко второму эндпоинту, а не возвращало ошибку. Для пары моделей, настолько новых и настолько слабо документированных, переключение при отказе нужно не столько для обеспечения доступности, сколько для того, чтобы не строить продакшен-путь на весах, которые публично доступны всего три недели. OrcaRouter также передаёт цену из прайс-листа провайдера с наценкой 0% для всего, что мы хостим сами, поэтому хостируемая часть смешанного развёртывания тарифицируется по себестоимости, а не по кратной цене.

Screenshot of the Hugging Face model page for inclusionAI/ZWZ2-27B captured 21 November 2026, showing 15 likes, the Image-Text-to-Text pipeline tag, Transformers and Safetensors formats, tags for inclusionAI/ZwZ2-RL-VQA, grpo and conversational, two arXiv links, and an Eval Results section.

Какому отчёту доверять при принятии решения

Выбирайте ZwZ2-27B, если ваша работа в первую очередь связана с восприятием и вам нужна модель, чья карточка документирует это на двадцати пяти бенчмарках, — и смотрите на абсолютные строки, а не на среднее. Выбирайте DaisyRose-27B, если ваша работа носит агентный характер и вам нужна модель, чья карточка документирует конкретное проверяемое изменение поведения по сравнению с базовой моделью, от которой она произошла. Не выбирайте ни одну из них, если вам нужна независимая проверка перед принятием решения: обе таблицы основаны на данных производителя, ни у одной нет оценки Artificial Analysis, а единственный показатель, который нужен команде закупок, — производительность на вашей собственной рабочей нагрузке, — отсутствует в обоих документах.

Сравнение, которое действительно будет иметь значение, — следующее. Обе лаборатории работают над своей первой моделью, обе построены на чекпойнтах Q​wen, и обе использовали обучение с подкреплением как всю историю посттренировки. Если inclusionAI выпустит ZwZ3 на Qwen3.8-27B или RadixArk выпустит вторую DaisyRose, которая сохранит агентский рецепт и добавит строки восприятия, два стиля отчётности наконец встретятся на общей базе, и станет возможно настоящее очное сравнение. До тех пор корректный вывод таков: эти модели измерялись для разных целей, а разница между средним и передовым уровнем — это разница между вопросом «лучше ли она в целом» и вопросом «лучше ли она в том, что нужно мне».