
DaisyRose 27B vs Granite 4.2 30B: 46 poäng, två harnesses
- 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 Granite 4.2 30B redovisar båda en poäng på Terminal Bench 2.1. DaisyRose 27B, RadixArks efterträning av Qwen3.8-27B med enbart förstärkningsinlärning, publicerad den 18 november 2026, får 75,5 mot basmodellens 73,0. Granite 4.2 30B, IBMs täta modell med 30 miljarder parametrar som släpptes den 25 augusti 2026, får 29,24. Det är ett gap på 46 poäng under samma benchmarknamn, mellan två täta modeller av nästan identisk storlek, och den naturliga slutsatsen – att DaisyRose 27B är två och en halv gånger bättre på agentiskt terminalarbete – är nästan säkert falsk. De två siffrorna togs inte fram på samma sätt, och den här sidan handlar till stor del om hur ett gap på 46 poäng kan vara mindre än det ser ut.
De två modellerna har mer gemensamt än vad glappet antyder: båda är dense-modeller, båda har omkring 30 miljarder parametrar, båda är under Apache 2.0, båda är open-weight-släpp utan något leverantörshostad API-pris att uppge, och båda är specifikt tränade för agentisk verktygsanvändning i sandlådor. De är det par i den här serien som ligger närmast varandra i arkitektur och syfte, vilket är precis varför siffrorna på deras modellkort är värda att läsa noggrant i stället för att subtrahera.
Anatomien bakom ett 46-poängsgap
Börja med vad varje leverantör säger om hur siffran togs fram, eftersom båda korten är ovanligt uttryckliga och de beskriver olika mätningar.
• DaisyRose 27B — fem körningar per uppgift i Terminus 2-testramverket. Jämförelsekortet anger Terminus 2 uttryckligen och anger antalet körningar. Samplingen var temperatur 1,0, top_p 0,95, top_k 20, resonemangsansträngning xhigh, och den publicerade poängen är den bättre av BF16- och FP8-körningarna.
• Granite 4.2 30B — 29,24 på Terminal-Bench 2.1, redovisat som en enda tabellrad på modellkortet. Kortet dokumenterar familjens agentiska träning i detalj — en andra övervakad finjusteringsomgång på uppsamplad agentisk programvaruutvecklingsdata, därefter agentisk förstärkningsinlärning i en sandlåda som utför SWE-bench-liknande uppgifter, terminaloperationer och webbsökning — men själva Terminal-Bench-raden anger inget antal körningar, inget harnessnamn och ingen samplingskonfiguration.
Den asymmetrin är hela förklaringen till de 46 poängen. En leverantör publicerade en tungt instrumenterad poäng vid maximal resonemangsansträngning över fem körningar; den andra publicerade en tabellcell. Ett Terminal-Bench-resultat vid resonemangsansträngning xhigh kan röra sig med tiotals poäng jämfört med samma modell vid standardinställningar, eftersom benchmarken är en sekvens av shellkommandon där en modell som tänker längre får fler försök att återhämta sig från sina egna misstag. Att jämföra en siffra från bästa möjliga ansträngning, hög ansträngning, över fem körningar med ett okvalificerat enskilt tal är inte en jämförelse alls.
Det finns en andra asymmetri, subtilare och mer intressant. DaisyRose 27B:s egen basmodell, Qwen3.8-27B, får 73,0 på samma rad på samma kort. Så RadixArks efterträning förbättrade Terminal Bench 2.1 med 2,5 poäng, medan gapet på 46 poäng till Granite utgörs av 44 poängs skillnad i basmodell och 2 poäng i träning. Allt som skiljer dessa två leverantörer åt i detta benchmark finns i utgångspunkten, inte i förstärkningsinlärningen.
Där borden möts
Ytterligare två rader är gemensamma, och båda är mer jämförbara än Terminal-Bench.
• GPQA Diamond — DaisyRose 27B 90,7 över åtta körningar på 198 frågor med omkastad svarsordning; Granite 4.2 30B 66,41. Ett gap på 24 poäng som ingen skillnad i testramverk rimligen kan förklara. DaisyRoses basmodell får 89,2, så efterträningen tillförde 1,5 poäng till en basmodell som redan låg långt före.
• IFBench — DaisyRose 27B 82,4 vid fyra körningar på 300 prompter med den officiella allenai-scorern, strikt noggrannhet på promptnivå exklusive tänkande; Granite 4.2 30B 77,17, märkt "prompt" på kortet. En skillnad på 5 punkter, och det närmaste man kommer en genuin oavgjordhet på något av korten.
GPQA-siffran är den som borde förändra hur en läsare tänker om den här matchningen. Granite 4.2 30B är en modell som IBM byggde för företagsagentiskt arbete – tolv testade språk, tre resonemangslägen, verktygsanrop, en inbyggd kontext på 128K som kan utökas till 512K – och den får 66,41 på naturvetenskap på avancerad nivå. DaisyRose 27B får 90,7. Vilka förbehåll man än har kring testramverket för Terminal-Bench, så har naturvetenskapliga frågor på avancerad nivå inte ett testramverk som svänger 24 poäng, och den ärliga tolkningen är att RadixArks basmodell, Qwen3.8-27B på 89,2, helt enkelt är en starkare resonemangsmodell än den bas som IBM utgick från.

Två mycket olika idéer om agentisk träning
Båda modellerna tränades för att arbeta i en sandlåda, och de två beskrivningarna av den träningen är den mest avslöjande delen av vartdera kortet.
RadixArks strategi var att ändra så lite som möjligt. DaisyRose 27B behåller Qwen3.8-27B:s arkitektur, tokenizer, chattmall, vision tower och kontextfönster på 262 144 token orörda, och tillämpar förstärkningsinlärning på cirka 1 200 utvalda långsiktiga uppgifter byggda med Eigent AI – uppgifter utformade för att kedja samman flera problem, stå emot reward hacking och köras i sessioner på upp till en miljon token. Arton dagar, 144 H200:or, 63 000 GPU-timmar, omkring 944 000 sandlådor. Ingen övervakad finjustering, ingen destillering.
IBMs tillvägagångssätt var att ändra beteendet i etapper. Granite 4.2 30B:s familj fick ett andra övervakat finjusteringspass på uppsamplad agentisk programvaruutvecklingsdata, därefter agentisk förstärkningsinlärning som körde modellen i en sandlåda på SWE-bench-liknande uppgifter, terminaloperationer och webbsökning. Modellkortet säger uttryckligen att 30B är familjens starkaste modell för resonemangstunga och agentiska arbetsuppgifter. Det innehåller också en fullständig tabell över allmän förmåga, tolv testade språk, tre tankelägen och inbyggd tankekedja.
Ingen av leverantörernas träningsbeskrivningar förutsäger den andras benchmarkprofil, och det är vad tabellerna visar: DaisyRose 27B leder avgjort på de resonemangstunga raderna och publicerar inget om flerspråkighet eller vision; Granite 4.2 30B redovisar resultat för hela företagssviten — 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 — och får 66.41 där de två överlappar inom naturvetenskap.
Kontext, minne och distributionsberättelsen
Granites 512K-utökning är en verklig särskiljande faktor som ingen benchmark-rad fångar, och det är värt att vara precis om vad modellkortet hävdar: 128K inbyggt, "långkontextutökning till 512K", med modelltabellen som anger en sekvenslängd på 131 072. Utökning är inte samma sak som inbyggt, och RULER-siffrorna på modellkortet visar kostnaden – 89,96 vid 64K mot 81,38 vid 128K på samma modell. DaisyRose 27B intar den motsatta positionen: en fast 262 144 token utan långkontextvariant, ärvd från Qwen3.8-27B, och RadixArk noterar att dess egna körningar med långt tänkande når tiotusentals token, vilket är där en stor del av det fönstret i praktiken går åt.
• DaisyRose 27B-vikter – BF16 cirka 52 GB, FP8 cirka 29 GB, NVFP4 cirka 23 GB och endast för Blackwell, plus utkastmodellen Qwen3.8-27B-DSpark för spekulativ avkodning. RadixArk rekommenderar SGLang med DSpark och publicerar en referenskonfiguration för fyra GPU:er med en FP8 KV-cache.
• Granite 4.2 30B-vikter – cirka 29B lagrade i bfloat16, Apache 2.0, med FP8-, NVFP4/MXFP4- och GGUF-kvantiseringar som levereras tillsammans med BF16-versionen. Vid 30B dense hamnar den nära samma minnesklass som DaisyRoses BF16-bygge, så ingen av dem har någon minnesfördel värd att bråka om.
Skillnaden när det gäller driftsättning handlar om support, inte om storlek. Granite 4.2 30B har kunnat laddas ned och köras i tre månader, har kvantiseringar som publicerats av IBM för flera körtidsmiljöer och har ett ekosystem av människor som redan har stött på dess felmoder. DaisyRose 27B är tre dagar gammal, har tre precisioner, en rekommenderad serveringsväg och inget publicerat genomflödesvärde för någon hårdvarukonfiguration.

Ingen av dem finns på en hostad slutpunkt här.
Det här är det minst tillfredsställande avsnittet i jämförelsen och det är värt att säga rakt ut: varken DaisyRose 27B eller Granite 4.2 30B förekommer i OrcaRouters katalog vid tidpunkten för skrivandet. RadixArk publicerar inget hostat DaisyRose-API och hänvisar till SGLang, vLLM och Docker; IBMs Granite 4.2 30B är en utgåva med öppna vikter vars praktiska väg är självhosting, utan någon leverantörstaxa att uppge. Tredjepartslistningar för DaisyRose anger $0,15 per miljon indatatoken och $1,88 per miljon utdatatoken, vilket är en hosts utgångsposition snarare än ett leverantörspris och bör läsas som just det.
Vad det innebär för en läsare som försöker besluta är att den här jämförelsen inte kan avgöras genom att byta en bas-URL. Båda modellerna kräver en GPU, och det ärliga rådet är att köra det billigare experimentet först: om din arbetsbelastning ryms inom Granite 4.2 30B:s inbyggda 128K-kontext och dess publicerade kapacitetstabell har modellen tre månader av andras misstag bakom sig, och du kan på en dag ta reda på om den misslyckas med dina uppgifter.
Vad skulle göra den här jämförelsen verklig?
En körning på en och samma testrigg skulle avgöra det mesta på den här sidan. Terminal-Bench är offentligt, uppgifterna är fasta och båda modellerna laddas i llama.cpp-närliggande körmiljöer med jämförbar precision. Om någon publicerade DaisyRose 27B och Granite 4.2 30B på samma testrigg med samma samplingsinställningar skulle 46-poängsgapet kollapsa till vad det faktiskt är – förmodligen någonstans mellan de två leverantörernas siffror, eftersom DaisyRoses siffra är bäst av två vid xhigh effort och Granites är utan förbehåll.
Fram till dess är den försvarbara tolkningen snävare och fortfarande användbar: inom naturvetenskap på forskarutbildningsnivå, där utvärderingsramverk spelar minst roll, ligger RadixArks modell långt före IBMs, med en marginal som varken antalet körningar eller omkastning av svarsordningen kan förklara. När det gäller att följa instruktioner ligger de två nära varandra. När det gäller terminalagentarbete kan ingen säga det, och den publicerade skillnaden på 46 punkter mäter två utvärderingsupplägg minst lika mycket som den mäter två modeller.
För ett team som väljer i dag handlar beslutet mindre om jämförelsetabellen än om mognad. Granite 4.2 30B är en färdig, dokumenterad, tre månader gammal företagsmodell med kvantiseringar och en flerspråkig tabell. DaisyRose 27B är ett arton dagar gammalt förstärkningsinlärningsexperiment med en slående uppsättning leverantörssiffror, en enda delad rad som stöder dem och ingen oberoende reproduktion av något slag. Om arbetsbelastningen ska i produktion och tidsfristen är nu, avgör den skillnaden saken. Om arbetsbelastningen är en agent som du kontrollerar och du har råd att benchmarka, räcker DaisyRose 27B:s GPQA- och IFBench-rader som skäl att sätta den i samma testrigg som modellen du kör i dag och se vad som händer.
