
DaisyRose 27B กับ Bonsai 27B: ขนาดเดียวกัน แต่เดิมพันตรงกันข้าม
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 184 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 494 tok/s
- Alibabaใหม่Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 ต่อ 1 ล้านโทเค็น · 385 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 94 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
DaisyRose 27B และ Bonsai 27B ต่างเป็นโมเดลขนาดสองหมื่นเจ็ดพันล้านพารามิเตอร์ที่มีบริบท 262,000 โทเค็น ใช้สัญญาอนุญาต Apache 2.0 และมีฐานเป็น Qwen และแทบจะตรงกันข้ามกันในทุกแง่มุมอื่น ๆ DaisyRose 27B ซึ่งเผยแพร่โดย RadixArk เมื่อวันที่ 18 พฤศจิกายน 2026 ใช้เวลาในการรันบน H200 18 วันและประมาณ 63,000 ชั่วโมง GPU ไปกับการเรียนรู้แบบเสริมกำลังเพื่อยกระดับสิ่งที่โมเดล 27B ทำได้ในงานเอเจนต์; มีให้ใช้งานในรูปแบบน้ำหนัก BF16 ขนาด 52 GB และต้องใช้ GPU สำหรับศูนย์ข้อมูล Bonsai 27B ซึ่งเผยแพร่โดย PrismML เมื่อวันที่ 14 กรกฎาคม 2026 กลับทุ่มเทความพยายามไปในทิศทางตรงกันข้าม: มันนำโมเดล 27B มาบีบอัดน้ำหนักแต่ละค่าให้เหลือ 1.125 บิต เพื่อให้ทั้งโมเดลพอดีใน 3.8 GB และรันบนโทรศัพท์ได้ ไม่มีตัวไหนเป็นโมเดลที่ดีกว่า พวกมันเป็นสองคำตอบที่แตกต่างกันสำหรับคำถามที่ว่า "โมเดล 27B ควรมีต้นทุนเท่าไร" และคำตอบที่คุณต้องการนั้นขึ้นอยู่กับว่าข้อจำกัดคือคุณภาพหรือไบต์ทั้งหมด
มีข้อควรระวังประการหนึ่งก่อนการเปรียบเทียบใด ๆ เพราะมันเป็นตัวกำหนดว่าหน้านี้จะเป็นการคำนวณได้มากเพียงใด: ผู้ขายทั้งสองรายไม่ได้ใช้ benchmark เดียวกันเลย RadixArk รายงาน Terminal Bench, DeepSWE, SWE Bench Pro, HLE, IFBench และ GPQA Diamond ส่วน PrismML รายงานชุด benchmark 15 รายการของตัวเอง พร้อมตัวเลข "intelligence density" ที่ได้มา ไม่มีแถวข้อมูลใดที่โมเดลทั้งสองนี้ได้รับการวัดทั้งคู่ ดังนั้นไม่มีสิ่งใดด้านล่างนี้ที่นำคะแนนหนึ่งไปลบออกจากอีกคะแนนหนึ่ง
แต่ละอย่างสร้างมาจากอะไร
สายตระกูลคือความแตกต่างจริงข้อแรก และเป็นเรื่องที่มองข้ามได้ง่าย เพราะทั้งสองระบุว่า "Qwen 27B."
DaisyRose 27B — โมเดลที่ผ่านการ post-train ต่อยอดจาก Qwen3.8-27B โดยไม่ได้แตะต้องสถาปัตยกรรมเลย ใช้โทเคนไนเซอร์ตัวเดิม เทมเพลตแชทตัวเดิม วิซชันทาวเวอร์ตัวเดิม และบริบท 262,144 โทเคนตัวเดิม การฝึกของ RadixArk เปลี่ยนแปลงเฉพาะพฤติกรรมเท่านั้นและไม่มีอะไรอื่นอีก โดยระบุว่าผลลัพธ์ที่ได้นี้เป็นตัวแทนที่สามารถใช้แทนโมเดลฐานได้ทันที
• Bonsai 27B — การสร้างใหม่แบบบิตต่ำของ Qwen3.6-27B ซึ่งเก่ากว่าหนึ่งรุ่น ไม่ใช่การ post-train: โครงข่ายภาษาถูกเข้ารหัสใหม่ตั้งแต่ต้นจนจบที่ความแม่นยำ 1 บิตหรือ ternary ทั้ง embeddings, attention, MLP projections และ LM head โดยไม่มีช่องทางหลบไปใช้ความแม่นยำที่สูงกว่าเลยใน backbone
ช่องว่างระหว่างรุ่นนั้นเป็นข้อเสียเปรียบที่แท้จริงสำหรับ Bonsai และแทบไม่เคยมีการระบุไว้อย่างตรงไปตรงมา Qwen3.6-27B คือโมเดลที่ RadixArk เลือกนำมาพัฒนาต่อ ส่วน Bonsai 27B เป็นสำเนาที่ถูกบีบอัดของโมเดลดังกล่าว ดังนั้นผู้อ่านที่เปรียบเทียบทั้งสองจึงไม่ได้เปรียบเทียบเพียง post-train กับการบีบอัดเท่านั้น แต่ยังเปรียบเทียบ post-train ของฐานรุ่นใหม่กว่ากับการบีบอัดของฐานรุ่นเก่ากว่า อีกทั้งยังเป็นการเปลี่ยนแปลงสองอย่างในขั้นตอนเดียว และตารางของผู้จำหน่ายทั้งสองรายก็ไม่ได้แยกความแตกต่างเหล่านี้ออกมา
สองแพ็ก สองรอยเท้า
Bonsai 27B มาพร้อมในสองรูปแบบน้ำหนักของโมเดลเดียวกัน และการเลือกระหว่างทั้งสองเป็นเพียงการตัดสินใจจริงเพียงอย่างเดียวภายในรีลีสนั้น
• แพ็กไบนารี — น้ำหนัก {−1, +1} พร้อมการสเกลแบบกลุ่มด้วย FP16 บรรจุเป็น GGUF Q1_0_g128 ที่ 1.125 บิตที่มีประสิทธิภาพต่อน้ำหนัก ไฟล์ที่จัดส่งมีขนาด 3.803 GB; การ์ดปัดเศษขนาดพื้นที่ใช้งานจริงเป็นประมาณ 3.9 GB
• แพ็กแบบ ternary — น้ำหนัก {−1, 0, +1} ที่สเกลเดียวกัน ค่า ternary หนึ่งค่าบรรจุข้อมูลได้ log₂3 ≈ 1.585 บิต ดังนั้นขีดจำกัดล่างของการแทนค่าจึงอยู่ที่ประมาณ 1.71 บิตต่อน้ำหนัก หรือ 5.9 GB ตามอุดมคติ ไฟล์ที่จัดส่งมีขนาด 7.165 GB เพราะเคอร์เนลปัจจุบันเก็บค่า ternary แต่ละค่าในช่องขนาดสองบิต — เท่ากับใช้งานจริง 2.125 บิตต่อน้ำหนัก ช่องว่างนี้เป็นข้อจำกัดของเคอร์เนล ไม่ใช่ตัวเลือกในการออกแบบโมเดล และ PrismML เปิดเผยตัวเลขทั้งสองค่า
DaisyRose 27B วางจำหน่ายในรูปแบบปกติ: BF16 ที่ประมาณ 52 GB, FP8 ที่ประมาณ 29 GB, NVFP4 ที่ประมาณ 23 GB และรองรับเฉพาะ Blackwell เมื่อเทียบกับ 3.803 GB ของ Bonsai นั่นคือราวสิบสี่เท่าในฝั่งไบนารี และการบีบอัดไม่ได้มาฟรี — ชุดทดสอบของ PrismML เองระบุว่าแพ็กไบนารีอยู่ที่ 89.5% ของเบสไลน์ความละเอียดเต็ม และแพ็ก ternary อยู่ที่ 94.6%
จุดที่ต้องแลกมาด้วยต้นทุนของการบีบอัดจริง ๆ
การแยกตามหมวดหมู่ของ PrismML เป็นสิ่งที่มีประโยชน์ที่สุดในทั้งสองรีลีส เพราะแสดงให้เห็นว่าการสูญเสียประสิทธิภาพไม่ได้กระจายอย่างสม่ำเสมอ เมื่อเทียบกับ baseline FP16 Qwen3.6-27B ของตัวเองที่ 85.07 บนชุดทดสอบโหมดคิดที่มี 15 benchmark:
• Binary pack — โดยรวม 76.11, อัตราการคงอยู่ 89.5% คณิตศาสตร์ลดลงจาก 95.33 เหลือ 91.66 และการเขียนโค้ดจาก 88.74 เหลือ 81.88 การทำตามคำสั่งลดลงจาก 78.47 เหลือ 65.74 งานแบบเอเจนต์และการเรียกใช้เครื่องมือจาก 80.00 เหลือ 66.03 และความสามารถด้านภาพจาก 72.61 เหลือ 59.57
• แพ็ก Ternary — คะแนนโดยรวม 80.49, อัตราการคงคุณภาพ 94.6% โดยกู้คืนได้ประมาณครึ่งหนึ่งของระยะห่างไปยังความแม่นยำเต็มรูปแบบ ด้วยน้ำหนักที่เพิ่มขึ้น 3.3 GB
อ่านรายการนั้นเทียบกับสิ่งที่ DaisyRose 27B ถูกฝึกมาเพื่อทำ แล้วการเปิดตัวทั้งสองรุ่นก็ไม่สามารถนำมาเปรียบเทียบกันแบบง่าย ๆ ได้อีกต่อไป หมวดที่อ่อนที่สุดของ Bonsai 27B หลังการบีบอัดคือ agentic และการเรียกใช้เครื่องมือ (tool-calling) ที่ 66.03 เทียบกับค่าฐาน 80.00 — สูญเสียสิบห้าคะแนนในพื้นที่ที่ RadixArk ใช้เวลา GPU ถึงสิบแปดวันในการปรับปรุงพอดี โมเดลหนึ่งจ่ายค่าความเล็กของตนด้วยสกุลเงินที่อีกโมเดลใช้พลังประมวลผลซื้อมา หากงานของคุณคือ coding agent ที่เรียกใช้เครื่องมือเป็นลูป แพ็กไบนารีของ Bonsai 27B คืออาร์ติแฟกต์ที่เหมาะน้อยที่สุดในการเปรียบเทียบนี้ และ DaisyRose 27B คือดีที่สุด และไม่มีสิ่งอื่นใดในตารางทั้งสองที่เปลี่ยนลำดับนั้นได้

สิ่งที่แต่ละอย่างต้องการจากฮาร์ดแวร์ของคุณ
นี่คือจุดที่การเปรียบเทียบกลายเป็นรูปธรรมแทนที่จะเป็นเพียงวาทศิลป์
• DaisyRose 27B — {{1}}H200, B200 หรือ GB300{{/1}} เพียงตัวเดียว หรือ RTX PRO 6000, RTX 5090 หรือ DGX Spark ที่ {{2}}NVFP4{{/2}} เส้นทางการให้บริการที่แนะนำคือ SGLang พร้อม {{3}}ตัวร่างสำหรับการถอดรหัสแบบคาดการณ์ DSpark{{/3}}, รีพลิคาแบบ data-parallel สี่ชุดกระจายทั่วโหนดสี่ GPU ที่ tensor parallelism 1 พร้อมแคช KV แบบ FP8 RadixArk ไม่เผยแพร่ตัวเลขจำนวนโทเคนต่อวินาทีสำหรับการกำหนดค่าใด ๆ เหล่านี้
• Bonsai 27B — llama.cpp บน CUDA, Metal หรือ CPU โดยมีเคอร์เนล 1-bit และ ternary อยู่ใน fork ของ PrismML เองแทนที่จะเป็น upstream ดังนั้น llama.cpp เวอร์ชันมาตรฐานจะยังโหลดได้ไม่ถูกต้อง แพ็กไบนารีพอดีกับมือถือ 12 GB ส่วนแพ็ก ternary ต้องใช้พื้นที่ว่างมากกว่านิดหน่อย เพิ่มอีกประมาณ 2.4 GB หากคุณใช้ drafter และ vision tower ด้วย เพราะตัวเลข 3.9 GB ที่กล่าวถึงคือน้ำหนักภาษา ไม่ใช่การติดตั้งใช้งานทั้งหมด
ไม่มีคอนฟิกูเรชันใดที่สองตัวนี้แข่งขันกันในสล็อตเดียวกัน โมเดลไบนารีขนาด 3.8 GB บนโทรศัพท์กับโมเดล BF16 ขนาด 52 GB บน H200 ไม่ได้แลกเปลี่ยนกันแบบได้อย่างเสียอย่าง ทั้งสองให้บริการผลิตภัณฑ์คนละแบบ ส่วนที่ทับซ้อนกันนั้นแคบกว่าและน่าสนใจกว่า: NVFP4 DaisyRose ขนาด 23 GB เทียบกับ ternary Bonsai ขนาด 7.2 GB ซึ่งทั้งคู่ใส่ในการ์ดสำหรับผู้บริโภคใบเดียวได้ เป็นจุดเดียวที่การเลือกเป็นเรื่องของการแลกเปลี่ยนจริง ๆ ไม่ใช่แค่การจัดประเภท
หลักฐาน และมีหลักฐานอยู่มากเพียงใด
Bonsai 27B มีสี่เดือนของการดาวน์โหลดรองรับ — ที่เก็บ GGUF แบบ ternary มียอดเกิน 590,000 ในเดือนตุลาคม 2026 เทียบกับชุดไบนารีที่มากกว่า 400,000 เล็กน้อย โดยคอนเทนเนอร์ MLX ของทั้งสองอย่างมีมากกว่าหนึ่งล้านแต่ละตัว สิ่งนี้ชี้ให้เห็นว่าโมเดลนี้ส่วนใหญ่รันบนฮาร์ดแวร์ Apple มากกว่าเซิร์ฟเวอร์ และผู้ที่ดาวน์โหลดเลือกซื้ออัตราการคงอยู่ที่เพิ่มขึ้นห้าคะแนนแทนไฟล์ที่เล็กที่สุด มันเป็นหลักฐานการใช้งานไม่ใช่หลักฐานคุณภาพ แต่ก็เป็นหลักฐานประเภทที่ตาราง benchmark ของผู้ขายทั้งสองรายไม่ได้ให้ไว้
DaisyRose 27B มีเวลาสามวันและยังไม่มีการรันอิสระ แถวผลทดสอบมาตรฐานทั้งเจ็ดแถวของมันเป็นของ RadixArk ซึ่งวัดบนฮาร์เนสของ RadixArk ที่ temperature 1.0, top_p 0.95, top_k 20 และ reasoning effort xhigh และเผยแพร่เป็นผลที่ดีกว่าระหว่างการรัน BF16 และ FP8 ของมัน การเปรียบเทียบข้ามโมเดลกับระบบที่ใหญ่กว่าอาศัยตัวเลขที่ผู้อื่นเผยแพร่ ไม่ใช่จากการรันแบบเคียงข้างกัน และการ์ดระบุไว้เช่นนั้น
ไม่มีโมเดลใดเคยอยู่บนฮาร์เนสเดียวกันกับอีกโมเดลหนึ่ง หน้าใดก็ตามที่นำตัวเลขของ DaisyRose ไปวางข้างตัวเลขของ Bonsai แล้วสรุปผล ย่อมกำลังประดิษฐ์การเปรียบเทียบที่ยังไม่มีใครเคยรัน

เลือกอันไหนดี
การตัดสินใจจะชี้ขาดด้วยคำถามข้อเดียว และนั่นไม่ใช่คำถามเกี่ยวกับ benchmark: โมเดลต้องทำงานในสถานที่ที่ไม่มีดาต้าเซ็นเตอร์หรือไม่
หากใช่ คำตอบคือ Bonsai 27B และโดยเฉพาะอย่างยิ่งแพ็ก ternary เว้นแต่อุปกรณ์จะขาดแคลนหน่วยความจำอย่างแท้จริง การที่แพ็ก binary สูญเสียไป 15 จุดในงานแบบ agentic และการเรียกใช้เครื่องมือ ถือเป็นข้อแลกเปลี่ยนด้านคุณภาพที่ใหญ่ที่สุดเพียงรายการเดียวในทั้งสองรุ่น และ 3.3 GB ที่แพ็ก ternary ต้องแลกไปนั้นได้ซื้อคืนระยะทางครึ่งหนึ่งไปสู่ความแม่นยำเต็มรูปแบบ บนโทรศัพท์ 12 GB ไม่มีทางเลือกอื่น ส่วนบนอุปกรณ์ใดก็ตามที่มี 8 GB เหลือสำหรับ weights แพ็ก ternary ถือเป็นอาร์ติแฟกต์ที่ดีกว่า
หากไม่ใช่ — หากโมเดลทำงานอยู่หลัง API หรือบนโหนดให้บริการ ข้อได้เปรียบหลักของ Bonsai 27B ก็จะหายไป และข้อได้เปรียบหลักของ DaisyRose 27B ก็จะเป็นเพียงสิ่งเดียวที่ยังคงอยู่ โมเดลที่พอดีบน H200 ไม่ใช่โมเดลที่คุณจำเป็นต้องบีบอัด และสิ่งที่คุณจะได้ซื้อด้วย Bonsai ในช่องนั้นคือ 27B ที่ถูกจำกัดไว้ที่ 89.5% หรือ 94.6% ของฐานรุ่นเก่ากว่าหนึ่งรุ่น การเปิดตัวของ RadixArk มุ่งเป้าไปที่ผู้อ่านเช่นนั้นโดยเฉพาะ และข้อกล่าวอ้างที่ต้องทดสอบคือการกระโดดของ Terminal Bench 4.1 จาก 5.6 เป็น 12.0 จะเกิดขึ้นซ้ำบนฮาร์เนสสาธารณะหรือไม่
วิธีประหยัดๆ ในการเปรียบเทียบด้วยตัวเอง
ณ เวลาที่เขียนนี้ ทั้ง DaisyRose 27B และ Bonsai 27B ต่างก็ไม่มีอยู่ในแคตตาล็อกของ OrcaRouter และหน้านี้จะไม่แสร้งทำเป็นว่าเป็นเช่นนั้น บรรพบุรุษร่วมกันของทั้งสองคือ Qwen3.8-27B ซึ่งให้บริการในชื่อ qwen/qwen3.8-27b ในราคา 0.33 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 2.40 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต โดยมีบริบทขนาด 262,144 โทเค็นและวิสชันทาวเวอร์แบบเดียวกับที่ DaisyRose 27B มี การรันโมเดลฐานด้วยพรอมป์ของคุณเองเป็นวิธีที่ประหยัดที่สุดในการพิสูจน์ว่าการฝึกหลังการเทรนถูกขอให้ปรับปรุงอะไร และเสียค่าใช้จ่ายเพียงไม่กี่เซนต์แทนที่จะต้องเช่า H200
ปลายทางเดียวกันนี้เป็นตาข่ายนิรภัยที่มีประโยชน์ในภายหลัง หากการติดตั้ง DaisyRose แบบโฮสต์เองต้องเจอหน้าต่างบริบทเต็มหรือแซนด์บ็อกซ์ที่เสียหายกลางงานการสลับระบบสำรองอัตโนมัติจะส่งคำขอไปยังโมเดลฐานแทนการคืนค่าข้อผิดพลาด — คำตอบที่ด้อยคุณภาพลงแทนการเรียกที่ล้มเหลว นี่คือรูปแบบที่ปฏิบัติได้จริงของการแลกเปลี่ยนที่การเปรียบเทียบทั้งหมดนี้พูดถึง: เพดานนั้นคุ้มค่าที่จะจ่าย แต่เฉพาะเมื่อมีบางสิ่งรองรับอยู่ข้างใต้มัน
สิ่งที่ทำให้หน้านี้เปลี่ยนไปคือฮาร์เนสทดสอบร่วมชุดเดียว หาก PrismML บีบอัด Qwen3.8-27B ซึ่งเป็นฐานที่ DaisyRose นำมาปรับปรุง ทั้งสองโมเดลก็จะวัดเทียบกันได้เสียที และคำถามที่ว่า "โมเดล 27B เสียอะไรไปบ้างเมื่อกลายเป็น 3.8 GB" ก็จะมีตัวเลขให้ตอบแทนที่จะเป็นเพียงหมวดหมู่
