
DaisyRose 27B vs Gemma 4 26B A4B: 27,8B tät vs 3,8B aktiv
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 184 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 494 tok/s
- AlibabaNYQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M tokens · 385 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 94 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
DaisyRose 27B och Gemma 4 26B A4B är modeller i samma viktklass med helt olika kostnadsstrukturer, och prisraden gör det konkret snabbare än något benchmark. Gemma 4 26B A4B – 25,2 miljarder parametrar, varav 3,8 miljarder läses för varje token – serveras på OrcaRouter till $0,06 per miljon indatatoken och $0,33 per miljon utdatatoken. DaisyRose 27B, RadixArks efterträning av Qwen3.8-27B enbart med förstärkningsinlärning, publicerad den 18 november 2026, har 27,8 miljarder täta parametrar där var och en av dem läses vid varje token, levereras som 52 GB BF16-vikter, har inget API som hostas av leverantören och kräver en datacenter-GPU för att överhuvudtaget kunna köras. Den ena är en modell du hyr för ören. Den andra är en modell du driftsätter. Allt annat i den här jämförelsen följer av det.
Benchmark-bilden är genuint intressant och genuint ofullständig: de två modellerna delar exakt två offentliga rader, GPQA Diamond och Humanity's Last Exam, och på båda ligger DaisyRose 27B före med en marginal som är mycket större än parameterskillnaden. Huruvida den marginalen står sig när båda körs i samma testramverk är den fråga som den här sidan inte kan besvara – och den säger det också.
Namnet är en specifikation
Etiketten för Gemma 4 26B A4B anger dess routningspolicy, och Googles eget kort säger det rakt ut: "A:et i 26B A4B står för 'aktiva parametrar' i motsats till det totala antalet parametrar som modellen innehåller."
• Totalt antal parametrar — 25,2B. • Aktiva per token — 3,8B. • Expertlayout — 8 av 128 experter aktiva plus 1 delad expert, valda per token. Den delade experten läses alltid, vilket är anledningen till att antalet aktiva inte bara är 8/128 av totalen. • Lager — 30, med ett glidande fönster på 1 024 token.
DaisyRose 27B har ingen sådan struktur att beskriva. Det är en tät transformer: 27,8B parametrar, varav 0,46B är en visionsencoder och 0,42B ett huvud för multi-token-förutsägelse, utan någon router mellan indata och beräkningen. Varje token betalar för varje vikt.
Den praktiska konsekvensen är det enda nummer som skiljer dessa modeller mer än något benchmark. En gles modell med 3,8B aktiva parametrar kör i ungefär samma hastighet som en 4B-modell men bär minnet från en 25B-modell — Googles kort säger det rent ut och beskriver MoE-varianten som att den körs "nästan lika snabbt som en modell med 4B parametrar." En tät 27,8B-modell kör i samma hastighet som en 27,8B-modell, och ingen har publicerat den hastigheten: RadixArks kort innehåller ingen siffra för tokens per sekund för någon hårdvarukonfiguration.
Vad RL köpte, och vad det inte köpte
DaisyRose 27B:s träning är den del av jämförelsen som inte har någon motsvarighet på Gemma-sidan. RadixArk använde endast förstärkningsinlärning – ingen övervakad finjusteringsomgång, ingen destillation – på cirka 1 200 kurerade långhorisontella agentuppgifter byggda med Eigent AI, med sessioner på upp till en miljon token, under arton dagar på 144 H200:or och cirka 63 000 GPU-timmar. Målet var inte en allmän kapacitetshöjning utan en specifik: att göra en 27B bättre på loopen att läsa en uppgift, anropa ett verktyg, läsa resultatet, rätta misstaget.
Det syns i de rader där de två modellerna faktiskt kan jämföras, och det syns inte enhetligt.
• GPQA Diamond — DaisyRose 27B 90,7 mot Gemma 4 26B A4B:s 82,3. Båda är leverantörsrapporterade: RadixArks siffra är ett genomsnitt över åtta körningar på 198 frågor med simple-evals-mallen och omkastad svarsordning; Googles är en enda publicerad siffra på modellkortet.
• Humanity's Last Exam, utan verktyg – DaisyRose 27B 34,3 mot Gemma 4 26B A4B:s 8,7. Det är den största skillnaden i någon av tabellerna och den man bör misstro mest, eftersom konfigurationerna skiljer sig: RadixArk körde fem körningar per problem med GPT-6 Luna som bedömare och utan verktyg; Googles 8,7 är siffran utan verktyg, med 17,2 när modellen får tillgång till ett sökverktyg.
Två rader är inte en jämförelse, och ingen av leverantörerna har kört den andras harness. Vad HLE-gapet faktiskt antyder – och det är en antydan, inte en mätning – är att en efterträning inriktad på långa agentiska sessioner överförs till svåra resonemangsfrågor på ett sätt som en gles arkitektur förtränad för bred förmåga inte gör. Vad det inte visar är att effekten är 25 punkter, eftersom harnessen skiljer sig åt och en av de två siffrorna kommer från en modell som fick verktyg i sin bättre konfiguration.

Raderna som bara en sida har
Båda korten publicerar benchmarkresultat som det andra inte gör, och asymmetrin är i sig informativ om vad respektive leverantör ansåg vara värt att bevisa.
Gemma 4 26B A4B publicerar en fullständig tabell över allmänna förmågor: MMLU Pro 82.6, AIME 2026 utan verktyg 88.3, LiveCodeBench v6 77.1, Codeforces ELO 1718, Tau2 med genomsnitt över tre 68.2, BigBench Extra Hard 64.8, MMMLU 86.3, MMMU Pro 73.8, MATH-Vision 82.4 och MRCR v2 vid åtta nålar och 128K kontext 44.1. Det finns ingen rad för Terminal Bench, ingen för SWE-bench och ingen för IFBench på kortet.
DaisyRose 27B publicerar i stället den agentiska och instruktionsföljande uppsättningen: Terminal Bench 4.1 12.0 mot en bas på 5.6, Terminal Bench 2.1 75.5, DeepSWE v1.1 46.2, SWE Bench Pro v2 94.7 och IFBench 82.4. Det finns ingen MMLU Pro-rad, ingen AIME-rad och ingen Codeforces-rad på kortet.
Lästa tillsammans beskriver de två tabellerna olika produkter. Google publicerar en allmän modell och bevisar den i den standardiserade akademiska sviten. RadixArk publicerar en agentmodell och bevisar den i den standardiserade agentsviten. Överlappningen är två rader av ungefär tjugo, och en köpare som väljer mellan dem väljer mest vilken svit de bryr sig om – ett mycket enklare beslut än poängkolumnerna får det att se ut.
Var var och en körs
Det här är avsnittet som avgör jämförelsen för de flesta läsare, eftersom distributionsberättelserna inte överlappar varandra alls.
• Gemma 4 26B A4B — tillgänglig idag för $0,06 per miljon indata-token och $0,33 per miljon utdata-token på OrcaRouter, tillsammans med en Obsidian-hostad build av samma arkitektur. Öppna vikter är Apache 2.0, i bfloat16 (cirka 51,6 GB över två shards), en kvantiseringsmedvetet tränad Q4_0 GGUF som får plats på ett enda konsumentkort, en w4a16 compressed-tensors-build för vLLM och en multi-token-prediction-drafter för spekulativ avkodning. Googles inlägg om familjen beskriver de två större storlekarna som att de ryms "effektivt på en enda 80 GB NVIDIA H100 GPU."
• DaisyRose 27B — BF16 på cirka 52 GB, FP8 på cirka 29 GB, NVFP4 på cirka 23 GB och endast för Blackwell, samt en DSpark-drafter för spekulativ avkodning för SGLang. RadixArk listar driftsättning på en enda GPU på H200, B200, GB300, RTX PRO 6000, RTX 5090 och DGX Spark. Det finns inget pris för hostat API; tredjepartslistningar anger $0.15 per miljon inputtokens och $1.88 per miljon output, vilket är en värds inledande position snarare än en leverantörstaxa.
Dessa siffror placerar kostnadsskillnaden för hosting på ungefär två och en halv gånger för indata och nästan sex gånger för utdata, till tredje partens fördel. Det är den ärliga jämförelsen till listpris. Det är också den jämförelse som förändras så snart arbetsbelastningen är lång: en gles modell fortsätter att betala 3,8B i beräkning per token medan en tät modell betalar 27,8B, så gapet ökar i latens och i hårdvarusekunder långt innan det ökar i dollar per miljon token.

Vad den agentiska träningen är värd per dollar
Den intressanta versionen av den här jämförelsen är inte "{{1}}vilken som får högre poäng{{/1}}" utan "{{2}}vad den agentiska förbättringen kostar per uppgift.{{/2}}" RadixArks modell finns eftersom dess basmodell, Qwen3.8-27B, får 5,6 på Terminal Bench 4.1 och 12,0 efter efterträning. Om du kör en kodagent som utför kommandon är det skillnaden mellan en modell som mestadels inte kan och en som ibland kan, och en fördubbling av ett litet tal är värt riktiga pengar för rätt köpare.
Gemma 4 26B A4B har ingen Terminal Bench-siffra alls, vilket gör värdepåståendet omöjligt att mäta utifrån offentliga data. Det den däremot har är ett pris som gör experimentet billigt: för $0,06 per miljon indatatokens kan du köra några tusen agenttrajektorier för kostnaden av en timme på en H200 och ta reda på om modellen misslyckas på ett sätt som spelar roll för din arbetsbelastning. Den sparsamma arkitekturen gör det billigt dubbelt upp — tokenpriset är lågt och tokens kommer tillbaka snabbt.
Det är formen på det verkliga beslutet. DaisyRose 27B är en specialiserad eftertränad modell med ett specifikt, leverantörsrapporterat agentiskt påstående och inget pris för hostad drift. Gemma 4 26B A4B är en allmän modell med en bred publicerad kapacitetstabell, en snabb inferensprofil och ett listpris mätt i cent per miljon tokens. Om din uppgift är långsiktig verktygsanvändning och du kan hosta, är specialisten värd att benchmarka. Om din uppgift är något annat, eller om du inte kan hosta, vinner den allmänna modellen till $0,06 på den enda axel som spelar roll.
Köra båda från en tangent.
Gemma 4 26B A4B finns på OrcaRouter idag under google/gemma-4-26b-a4b-it, tillgänglig för $0,06 per miljon indatatoken och $0,33 per miljon utdatatoken, med en kontext på 262 144 token samt text-, bild- och videoindata. DaisyRose 27B finns inte i katalogen vid tidpunkten för skrivandet och den här sidan kommer inte att påstå något annat – det är en självhostad version via SGLang, vLLM och Docker.
Dess basmodell är det dock. Qwen3.8-27B serveras som qwen/qwen3.8-27b till $0,33 per miljon input-tokens och $2,40 per miljon utdata-tokens, med samma kontext på 262 144 token och samma visionstorn som post-träningen behåller. Det ger läsaren två användbara saker: en baslinje från samma familj att köra på sina egna prompter innan man avgör om RL-post-träningen är värd att driftsätta, och en reservväg. Om en självhostad DaisyRose-instans drabbas av timeout i sandlådan kan en dirigeringsregel skicka vidare anropet till basmodellen i stället för att tappa det, och eftersom vi för vidare leverantörernas listpriser utan påslag (0 %) når en prisändring hos leverantören i endera änden samma nyckel samma dag som den träder i kraft.
Det billigaste nästa steget är inte ett benchmark: det är att köra Gemma 4 26B A4B och Qwen3.8-27B på dina egna agentspår, i den ordningen — den billiga modellen först, för att se var dina uppgifter faktiskt brister, sedan den dyrare baslinjen för att se om bristen beror på basmodellen. Först efter det har en arton dagar lång RL-efterträning något att bevisa mot.
