Ett genererat titelkort med texten ”DaisyRose 27B vs ZWZ2 27B” och underrubriken ”Genomsnitt kontra frontlinjer”, ett vänsterkort som listar DaisyRose-27B på Qwen3.8-27B-basen, sju rapporterade benchmarks och ett huvudresultat för Terminal Bench på 4,1 av 12,0, ett högerkort som listar ZwZ2-27B på Qwen3.6-27B-basen, tjugofem rapporterade benchmarks och ett huvudgenomsnitt på 60,51, en sidfot med texten ”Båda tabellerna är leverantörsrapporterade; en basgeneration skiljer dem åt” samt OrcaRouter-logotypen.
Guides & Insights

DaisyRose 27B vs ZWZ2 27B: Genomsnitt kontra frontlinjer

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Sätter du DaisyRose-27B och ZWZ2-27B bredvid varandra får du två äkta efterträningar med förstärkningsinlärning av Qwen-checkpoints, släppta med tre veckors mellanrum hösten 2026 och rapporterade i två helt olika stilar. DaisyRose-27B, från RadixArk den 18 november 2026, omfattar sju benchmarks mot Qwen3.8-27B, där den största relativa vinsten ligger på den svåraste. ZWZ2-27B, från inclusionAI, omfattar tjugofem benchmarks över sex domäner mot Qwen3.6-27B, rapporterade som en medelpoäng som stiger från 55.52 till 60.51.

Ett labb publicerade en frontlinje. Det andra publicerade ett genomsnitt. Det är inte samma typ av påstående, och skillnaden säger mer om vad varje modell är till för än någon enskild siffra i någon av tabellerna.

Olika baser, en generation isär

Det enskilt viktigaste faktumet i den här jämförelsen är att de två modellerna inte delar en förfader. ZWZ2-27B är byggd på Qwen3.6-27B; DaisyRose-27B är byggd på Qwen3.8-27B. Det skiljer en basgeneration, och det innebär att den direkta duell som en "vs"-sida normalt utför inte är tillgänglig här överhuvudtaget — inte för att siffrorna saknas, utan för att det att slå en bas från föregående generation säger något annat än att slå den nuvarande.

ZWZ2-27B:s eget kort gör detta tydligt genom att redovisa varje vinst mot Qwen3.6-27B. DaisyRose-27B:s kort redovisar mot Qwen3.8-27B. En läsare som jämför de två förbättringssiffrorna jämför en förbättring över en äldre bas med en förbättring över en nyare sådan, och den nyare basen började högre. Ingen aritmetik rättar till det, och ingen ärlig artikel bör försöka.

Hur ZWZ2 rapporterar om sig själv

Utvärderingen av ZwZ2-27B är organiserad efter domän snarare än efter benchmarkarnas svårighetsgrad. Tjugofem benchmarks grupperade i sex områden, där varje domän har sitt eget genomsnitt före och efter:

• Finmaskig perception – 62,09 till 67,57, en ökning med 5,48 över åtta riktmärken, inklusive VStar, HR-Bench 8K och MME-RealWorld.

• Rumsligt resonemang – 49,72 till 55,98, en ökning med 6,26, den största förbättringen inom domänen.

Allmän visuell resonemangsförmåga — 47,89 till 53,71, en ökning med 5,82, omfattar MMStar och BabyVision.

• Förkroppsligad rumslig — 50,17 till 55,71, upp 5,54.

• Lång kontext — 65,87 till 68,77, upp 2,90.

• Multimodala agenter – 49,73 till 51,81, en ökning med 2,08, den minsta ökningen och den mest talande.

Det övergripande medelvärdet går från 55,52 till 60,51, en ökning med 4,99, och inclusionAI uppger att den finjusterade modellen slår basmodellen på vart och ett av de tjugofem riktmärkena. Det är ett starkt påstående om konsekvens och ett svagt påstående om någon specifik förmåga, eftersom ett medelvärde över tjugofem tester domineras av de tester som modellen redan var bra på.

Hur DaisyRose rapporterar sig själv

RadixArk valde motsatt strategi: sju benchmarks, var och en rapporterad separat, med basmodellens poäng bredvid. Terminal Bench 4.1 går från 5,6 till 12,0, Terminal Bench 2.1 från 73,0 till 75,5, DeepSWE v1.1 från 42,2 till 46,2, SWE Bench Pro v2 från 91,3 till 94,7, Humanity's Last Exam från 33,9 till 34,3, IFBench från 79,5 till 82,4, GPQA Diamond från 89,2 till 90,7.

Inget medelvärde anges, och det är poängen. Den rubrikvinnande ökningen, mer än en fördubbling på Terminal Bench 4.1, är en ökning från en mycket låg bas — 5,6 ligger nära golvet. De två benchmarks där basen redan var stark, HLE och GPQA Diamond, rör sig knappt. Läst som en helhet säger tabellen att finjusteringen köpte agentisk kompetens och lämnade allmän resonemangsförmåga orörd, vilket är exakt vad en belöning byggd på långhorisontella agentuppgifter borde ge.

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.'

Vad ett medelvärde över 25 benchmarkar döljer

ZWZ2-27B:s svagaste absoluta rader är de intressanta, och dess eget kort publicerar dem: Chartography 12,00, AgentVista 18,18, Perception-Bench 44,93 och ScreenSpot-Pro 70,59. De ligger bredvid domänmedelvärden i 50- och 60-procentintervallet, vilket innebär att medelvärdet hålls uppe av de benchmarkar som modellen klarar bra, medan de verkligt svåra ligger nära golvet.

Det är normalt för en efterträning och bör inte läsas som en brist. Det är emellertid precis den information som ett medelvärde raderar. Ett team som läser "60.51" och förväntar sig en modell som är 60 % bra på allt kommer att bli illa överraskat av Chartography på 12. Ett team som läser raderna per benchmark vet omedelbart vilka av dess arbetsbelastningar den här modellen inte tränades för.

Samma förbehåll gäller omvänt för DaisyRose-27B. Dess poäng på 12,0 i Terminal Bench 4.1 är en stor relativ ökning och ett dåligt absolut resultat, och kortet är ärligt om båda. Ingen av modellernas rubriksiffror håller vid kontakt med deras egna detaljrader.

Arkitektur och licens

Båda ärver sin bas oförändrad. ZWZ2-27B bär Qwen3.6-27B-konfigurationen som publicerad: hidden size 5 120, 64 lager, 24 query-huvuden och 4 key-value-huvuden med dimension 256, ett FFN på 17 408, ett upprepat mönster med tre till ett mellan linjär och full attention sexton gånger om, interleaved M-RoPE med en rope-bas på tio miljoner, en vokabulär på 248 320 och 262 144 inbyggda positioner. Dess visionstorn har 27 lager med bredd 1 152 som projicerar till 5 120 med 16-pixels patchar och en 2×2-sammanslagning. Det finns inget multi-token-prediction-lager – konfigurationen sätter det till noll – och BF16-vikterna uppgår till ungefär 54 GB över två shards, med transformers 5.13.1 som den dokumenterade vägen.

DaisyRose-27B har konfigurationen Qwen3.8-27B: samma dolda storlek och antal lager, Gated DeltaNet linjär uppmärksamhet i samma tre-till-ett-mönster, en visionskodare på 0,46B och ett prediktionshuvud på 0,42B som ZWZ2-27B inte har. Kontexten är 262 144 för båda. DaisyRose levereras i BF16 på cirka 52 GB, FP8 på 29 GB och NVFP4 på 23 GB med ett fullständigt serveringsrecept för SGLang; ZwZ2-27B levereras endast i BF16.

• Licens — Apache-2.0 för båda, ärvd från deras baser.

• Vision — båda tar emot bilder och returnerar text; ingen av dem är enbart text.

• Kvantiseringar — tre format för DaisyRose-27B, endast BF16 för ZwZ2-27B.

• Dokumentation för servering – ett detaljerat SGLang-recept med spekulativ avkodning för DaisyRose-27B; en snabbstart för transformers för ZwZ2-27B.

• Oberoende utvärdering – ingen för någon av modellerna när detta skrevs.

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.

Perceptionsfrågan

ZwZ2-27B:s förbättringar är koncentrerade till perception och rumsligt resonemang: finfördelad perception upp 5,48, rumslig upp 6,26, förkroppsligad rumslig upp 5,54, och högupplösta benchmarks som HR-Bench 8K ligger inom den första gruppen. DaisyRose-27B rapporterar ingen perceptionsbenchmark alls. Dess visionsencoder är ärvd och orörd, och inget i modellkortet tyder på att belöningen formade den.

Den asymmetrin är avgörandet. Om din arbetsbelastning är en skärmbild, ett tätt diagram, en skannad sida eller en rumslig layout, hanterar ZwZ2-27B:s kort det direkt, medan DaisyRose-27B:s inte gör det. Om din arbetsbelastning är en terminal, ett kodförråd eller en lång session med verktygsanrop, gäller det omvända: DaisyRose-27B:s kort är fullt av exakt sådana rader, och ZwZ2-27B:s svagaste domän är multimodala agenter med ett medelvärde på 51,81.

Inget av korten är bättre bevis än det andra. De är bevis om olika saker, framställda enligt olika protokoll, och rätt svar är att läsa vart och ett utifrån den fråga det byggdes för att besvara.

Köra dem och blanda dem

Varken DaisyRose-27B eller ZwZ2-27B finns hos OrcaRouter i dag. Båda är vikter som du själv serverar eller når via tredjepartsplattformar, vilket innebär att båda har samma driftproblem: två checkpoints, två distributioner, två uppsättningar kapacitetsbeslut och inget sätt att skicka en förfrågan till den av dem som för närvarande är tillgänglig.

Det är precis det fallet som routing byggdes för. När två modeller delar upp en arbetsbelastning längs en tydlig gräns – perception på ena sidan, agentisk handling på den andra – slutar applikationen ändå med att klassificera förfrågningar och anropa två olika slutpunkter. OrcaRouters routing-DSL låter den klassificeringen leva på ett ställe, genom att komponera de två modellerna till en enda anropsväg, med automatisk failover så att en mättad självhostad driftsättning faller vidare till en andra slutpunkt i stället för att returnera ett fel. För ett par modeller som är så här nya och så här tunt dokumenterade handlar failover mindre om upptid än om att inte satsa en produktionsväg på vikter som har varit offentliga i tre veckor. OrcaRouter för vidare leverantörens listpris med 0 % påslag för allt vi själva hostar, så den hostade delen av en blandad driftsättning prissätts till självkostnad i stället för till ett multipelpris.

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.

Vilken rapport ska du lita på för ditt beslut?

Välj ZwZ2-27B om ditt arbete är perceptionsinriktat och du vill ha en modell vars modellkort dokumenterar det över tjugofem benchmarks – och läs de absoluta raderna, inte medelvärdet. Välj DaisyRose-27B om ditt arbete är agentiskt och du vill ha en modell vars kort dokumenterar en specifik, verifierbar beteendeförändring jämfört med basmodellen den utgick från. Välj ingen av dem om du behöver oberoende verifiering innan du binder upp dig: båda tabellerna är leverantörsrapporterade, ingen av dem har ett Artificial Analysis-poäng, och det enda tal som ett inköpsteam skulle vilja ha – prestanda för din egen arbetsbelastning – finns inte i något av dokumenten.

Jämförelsen som faktiskt kommer att spela roll är nästa. Båda labben är på sin första modell, båda är byggda på Q​wen-checkpoints och båda använde förstärkningsinlärning som hela efterträningshistorien. Om inclusionAI släpper en ZwZ3 på Q​wen3.8-27B, eller RadixArk släpper en andra DaisyRose som behåller agentreceptet och lägger till perceptionsrader, kommer de två rapporteringsstilarna äntligen att mötas på en delad bas och en riktig direkt jämförelse blir möjlig. Fram till dess är den korrekta sammanfattningen att dessa modeller mättes för olika syften, och skillnaden mellan en genomsnittlig modell och en frontiermodell är skillnaden mellan att fråga ”är den bättre överlag” och att fråga ”är den bättre på det jag behöver”.