
DaisyRose 27B เทียบกับ Gemma 4 26B A4B: 27.8B แบบ Dense เทียบกับ 3.8B แบบ Active
- 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 Gemma 4 26B A4B เป็นโมเดลขนาดน้ำหนักเดียวกันแต่มีโครงสร้างต้นทุนที่แตกต่างกันโดยสิ้นเชิง และบรรทัดราคาก็ทำให้เห็นภาพได้ชัดเจนเร็วกว่าผลทดสอบใด ๆ Gemma 4 26B A4B — พารามิเตอร์ 25.2 พันล้านตัว ซึ่งถูกอ่าน 3.8 พันล้านตัวต่อโทเคน — ให้บริการบน OrcaRouter ในราคา0.06 ดอลลาร์ต่อล้านโทเคนอินพุต และ 0.33 ดอลลาร์ต่อล้านโทเคนเอาต์พุต ส่วน DaisyRose 27B ซึ่งเป็นผลงาน post-train แบบ reinforcement-learning-only ของ RadixArk จาก Qwen3.8-27B ที่เผยแพร่เมื่อวันที่ 18 พฤศจิกายน 2026 นั้นเป็นโมเดล dense ขนาด 27.8 พันล้านพารามิเตอร์ที่ต้องอ่านทุกพารามิเตอร์ในทุกโทเคน จัดจำหน่ายในรูปแบบน้ำหนัก BF16 ขนาด 52 GB ไม่มี API ที่ผู้ให้บริการโฮสต์ให้ และต้องใช้ GPU ในดาต้าเซ็นเตอร์จึงจะรันได้ ตัวหนึ่งเป็นโมเดลที่คุณเช่าใช้แบบจ่ายเป็นเซนต์ อีกตัวเป็นโมเดลที่คุณต้องนำไปติดตั้งใช้งานเอง ทุกสิ่งทุกอย่างที่เหลือในการเปรียบเทียบนี้ล้วนสืบเนื่องจากข้อเท็จจริงข้อนั้น
ภาพรวมของ benchmark นี้น่าสนใจจริง ๆ และยังไม่สมบูรณ์จริง ๆ โดยสองโมเดลมีแถวสาธารณะร่วมกันเพียงสองแถวเท่านั้น คือ GPQA Diamond และ Humanity's Last Exam และบนทั้งสองแถวนั้น DaisyRose 27B นำอยู่ด้วยส่วนต่างที่กว้างกว่าความแตกต่างของจำนวนพารามิเตอร์มาก ส่วนคำถามที่ว่าส่วนนำนั้นจะยังคงอยู่หรือไม่เมื่อต้องเผชิญกับฮาร์เนสร่วมกัน เป็นคำถามที่หน้านี้ตอบไม่ได้ และได้ระบุไว้เช่นนั้น
ชื่อคือข้อกำหนด
ป้ายชื่อของ Gemma 4 26B A4B สื่อถึงนโยบายการจัดเส้นทางของโมเดล และการ์ดของ Google เองก็ระบุการตีความไว้อย่างตรงไปตรงมาว่า “ตัว ‘A’ ใน 26B A4B ย่อมาจาก ‘active parameters’ ซึ่งตรงข้ามกับจำนวนพารามิเตอร์ทั้งหมดที่โมเดลมีอยู่”
• จำนวนพารามิเตอร์ทั้งหมด — 25.2B • พารามิเตอร์ที่ใช้งานต่อโทเคน — 3.8B • โครงสร้างผู้เชี่ยวชาญ — เปิดใช้งานผู้เชี่ยวชาญ 8 จาก 128 รายการ พร้อมผู้เชี่ยวชาญที่แชร์ร่วมกัน 1 รายการ โดยเลือกต่อโทเคน ผู้เชี่ยวชาญที่แชร์ร่วมกันจะถูกอ่านเสมอ ซึ่งเป็นเหตุผลว่าจำนวนที่ใช้งานจึงไม่ใช่เพียง 8/128 ของจำนวนทั้งหมด • เลเยอร์ — 30 พร้อมหน้าต่างเลื่อนขนาด 1,024 โทเคน
DaisyRose 27B ไม่มีโครงสร้างเช่นนั้นให้อธิบาย มันเป็นทรานสฟอร์เมอร์แบบเดนส์ที่มีพารามิเตอร์ 27.8B โดย 0.46B เป็นตัวเข้ารหัสภาพ และ 0.42B เป็นหัวทำนายหลายโทเค็น โดยไม่มีเราเตอร์ระหว่างอินพุตกับการคำนวณ ทุกโทเค็นต้องจ่ายต้นทุนให้กับทุกน้ำหนัก
ผลลัพธ์ในทางปฏิบัติคือตัวเลขตัวเดียวที่แยกโมเดลเหล่านี้จากกันได้มากกว่า benchmark ใด ๆ โมเดล sparse ที่มีพารามิเตอร์ที่ใช้งานจริง 3.8B ทำงานด้วยความเร็วใกล้เคียงกับโมเดล 4B ขณะที่แบกหน่วยความจำของโมเดล 25B ไว้ — การ์ดของ Google ระบุตรง ๆ เช่นนั้น โดยอธิบายว่าตัวแปร MoE ทำงาน "เกือบเร็วเท่าโมเดลที่มีพารามิเตอร์ 4B" ส่วน dense 27.8B ทำงานด้วยความเร็วของ 27.8B และยังไม่มีใครเผยแพร่ความเร็วนั้น การ์ดของ RadixArk ไม่มีตัวเลขโทเค็นต่อวินาทีสำหรับการกำหนดฮาร์ดแวร์ใด ๆ เลย
สิ่งที่ RL ซื้อมา และสิ่งที่มันไม่ได้ซื้อ
การฝึกของ DaisyRose 27B คือส่วนของการเปรียบเทียบนี้ที่ไม่มีสิ่งเทียบเคียงได้เลยในฝั่ง Gemma RadixArk ใช้เพียงการเรียนรู้แบบเสริมกำลัง (reinforcement learning) เท่านั้น — ไม่มีรอบการปรับละเอียดแบบมีผู้กำกับ (supervised fine-tuning) ไม่มีการกลั่นองค์ความรู้ (distillation) — กับงานเอเจนต์ระยะยาวที่คัดสรรแล้วราว 1,200 งานซึ่งสร้างขึ้นด้วย Eigent AI โดยแต่ละเซสชันยาวได้ถึงหนึ่งล้านโทเค็น ใช้เวลาสิบแปดวันบน H200 จำนวน 144 ตัว และใช้เวลา GPU ประมาณ 63,000 ชั่วโมง เป้าหมายไม่ใช่การยกระดับความสามารถโดยทั่วไป แต่เป็นการยกระดับเฉพาะเจาะจง นั่นคือ ทำให้โมเดล 27B เก่งขึ้นในลูปของการอ่านงาน เรียกใช้เครื่องมือ อ่านผลลัพธ์ และแก้ไขข้อผิดพลาด
สิ่งนั้นปรากฏในแถวที่สามารถเปรียบเทียบทั้งสองโมเดลได้จริง และไม่ได้ปรากฏอย่างสม่ำเสมอ
• GPQA Diamond — DaisyRose 27B 90.7 เทียบกับ 82.3 ของ Gemma 4 26B A4B ทั้งสองเป็นตัวเลขที่ผู้ขายรายงาน: ตัวเลขของ RadixArk มาจากการรันแปดครั้งบนคำถาม 198 ข้อ ด้วยเทมเพลต simple-evals และการสลับลำดับคำตอบ ส่วนของ Google เป็นตัวเลขเดียวที่เผยแพร่บนการ์ดโมเดล
• Humanity's Last Exam แบบไม่ใช้เครื่องมือ — DaisyRose 27B ได้ 34.3 เทียบกับ 8.7 ของ Gemma 4 26B A4B นี่คือช่องว่างที่กว้างที่สุดในตารางทั้งสอง และเป็นค่าที่ไม่ควรเชื่อถือมากที่สุด เพราะการกำหนดค่าแตกต่างกัน: RadixArk รันห้ารอบต่อข้อปัญหา โดยมี GPT-6 Luna เป็นผู้ให้คะแนนและไม่ใช้เครื่องมือ ส่วนค่า 8.7 ของ Google เป็นตัวเลขแบบไม่ใช้เครื่องมือ โดยเป็น 17.2 เมื่ออนุญาตให้โมเดลใช้เครื่องมือค้นหา
สองแถวไม่ใช่การเปรียบเทียบ และผู้ขายทั้งสองรายก็ไม่ได้รันฮาร์เนสของอีกฝ่าย สิ่งที่ช่องว่างของ HLE บ่งชี้ได้ — และมันเป็นเพียงข้อบ่งชี้ ไม่ใช่การวัด — คือการฝึกหลังการฝึก (post-train) ที่มุ่งเป้าไปที่เซสชันแบบเอเจนต์ระยะยาวนั้นถ่ายทอดไปยังคำถามการให้เหตุผลที่ยาก ในแบบที่สถาปัตยกรรมแบบเบาบางซึ่งผ่านการฝึกล่วงหน้าเพื่อความสามารถกว้างไม่ทำ สิ่งที่มันไม่ได้แสดงคือผลกระทบนั้นมีค่า 25 คะแนน เพราะฮาร์เนสแตกต่างกัน และหนึ่งในสองตัวเลขนั้นมาจากโมเดลที่ได้รับเครื่องมือในการตั้งค่าที่ดีกว่าของมัน

แถวที่มีเพียงฝั่งเดียวเท่านั้น
การ์ดทั้งสองรุ่นเผยแพร่ผลทดสอบประสิทธิภาพที่อีกฝ่ายไม่ได้เผยแพร่ และความไม่สมมาตรนี้เองก็ให้ข้อมูลว่าแต่ละผู้ผลิตคิดว่าอะไรคุ้มค่าที่จะพิสูจน์
Gemma 4 26B A4B เผยแพร่ตารางความสามารถทั่วไปฉบับเต็ม: MMLU Pro 82.6, AIME 2026 แบบไม่ใช้เครื่องมือ 88.3, LiveCodeBench v6 77.1, Codeforces ELO 1718, Tau2 เฉลี่ยจากสามค่า 68.2, BigBench Extra Hard 64.8, MMMLU 86.3, MMMU Pro 73.8, MATH-Vision 82.4 และ MRCR v2 ที่ 8 needles และบริบท 128K 44.1 ทั้งนี้ บนการ์ดไม่มีแถว Terminal Bench, SWE-bench และ IFBench
DaisyRose 27B เผยแพร่ชุดผลด้าน agentic และการทำตามคำสั่งแทน: Terminal Bench 4.1 อยู่ที่ 12.0 เทียบกับค่าฐานที่ 5.6, Terminal Bench 2.1 75.5, DeepSWE v1.1 46.2, SWE Bench Pro v2 94.7 และ IFBench 82.4 บนการ์ดผลไม่มีแถวของ MMLU Pro, AIME และ Codeforces
เมื่ออ่านร่วมกัน ตารางทั้งสองอธิบายผลิตภัณฑ์ที่แตกต่างกัน Google กำลังเผยแพร่โมเดลทั่วไปและพิสูจน์ความสามารถของโมเดลนั้นผ่านชุดทดสอบทางวิชาการมาตรฐาน RadixArk กำลังเผยแพร่โมเดลเอเจนต์และพิสูจน์ผ่านชุดทดสอบเอเจนต์มาตรฐาน ส่วนที่ทับซ้อนกันมีเพียงสองแถวจากประมาณยี่สิบแถว และผู้ซื้อที่ต้องเลือกหว่างสองตัวนี้ก็แทบจะเป็นการเลือกว่าตนสนใจชุดทดสอบไหนมากกว่า ซึ่งเป็นการตัดสินใจที่ง่ายกว่าที่คอลัมน์คะแนนทำให้ดูมาก
แต่ละรายการทำงานที่ไหน
นี่คือส่วนที่ชี้ขาดการเปรียบเทียบสำหรับผู้อ่านส่วนใหญ่ เพราะเรื่องราวการนำไปใช้งานนั้นไม่เกี่ยวข้องกันเลย
• Gemma 4 26B A4B — ให้บริการแล้ววันนี้ในราคา $0.06 ต่อล้านโทเค็นอินพุต และ $0.33 ต่อล้านโทเค็นเอาต์พุต บน OrcaRouter พร้อมกับบิลด์ของสถาปัตยกรรมเดียวกันที่โฮสต์โดย Obsidian น้ำหนักโมเดลแบบเปิดอยู่ภายใต้ Apache 2.0 ในรูปแบบ bfloat16 (ประมาณ 51.6 GB แบ่งเป็นสองแชร์ด) พร้อม Q4_0 GGUF ที่ฝึกโดยคำนึงถึงการควอนไทซ์ ซึ่งทำให้รันบนการ์ดสำหรับผู้บริโภคเพียงใบเดียวได้, บิลด์ compressed-tensors แบบ w4a16 สำหรับ vLLM และดราฟเตอร์แบบ multi-token-prediction สำหรับ speculative decoding โพสต์เกี่ยวกับตระกูลโมเดลของ Google อธิบายว่าขนาดที่ใหญ่กว่าสองขนาดนั้น "พอดีได้อย่างมีประสิทธิภาพบน NVIDIA H100 GPU ขนาด 80GB เพียงตัวเดียว"
• DaisyRose 27B — BF16 ที่ประมาณ 52 GB, FP8 ที่ประมาณ 29 GB, NVFP4 ที่ประมาณ 23 GB และรองรับเฉพาะ Blackwell พร้อมดราฟเตอร์ speculative-decoding DSpark สำหรับ SGLang RadixArk ระบุการปรับใช้บน GPU เดียวบน H200, B200, GB300, RTX PRO 6000, RTX 5090 และ DGX Spark ไม่มีราคา API แบบโฮสต์; รายการจากบุคคลที่สามเสนอราคา $0.15 ต่อหนึ่งล้านโทเค็นอินพุต และ $1.88 ต่อหนึ่งล้านโทเค็นเอาต์พุต ซึ่งเป็นราคาเปิดของผู้ให้บริการโฮสต์รายหนึ่ง มากกว่าจะเป็นอัตราที่ผู้จำหน่ายกำหนด
ตัวเลขเหล่านั้นทำให้ช่องว่างต้นทุนแบบโฮสต์อยู่ที่ประมาณสองเท่าครึ่งสำหรับอินพุต และเกือบหกเท่าสำหรับเอาต์พุต โดยฝ่ายที่สามได้เปรียบ นี่คือการเปรียบเทียบที่ตรงไปตรงมาที่ราคาตามรายการ และยังเป็นการเปรียบเทียบที่เปลี่ยนไปทันทีเมื่อภาระงานยาวนานขึ้น: โมเดลแบบ sparse ยังคงจ่ายการประมวลผล 3.8B ต่อโทเค็น ขณะที่โมเดลแบบ dense จ่าย 27.8B ดังนั้นช่องว่างจึงกว้างขึ้นในแง่ความหน่วงและฮาร์ดแวร์-วินาที นานก่อนที่ช่องว่างจะกว้างขึ้นในแง่ดอลลาร์ต่อล้านโทเค็น

การฝึกอบรมแบบเอเจนติกมีมูลค่าเท่าใดต่อดอลลาร์
เวอร์ชันที่น่าสนใจของการเปรียบเทียบนี้ไม่ใช่ "ตัวไหนได้คะแนนสูงกว่า" แต่เป็น "การยกระดับด้วยความสามารถแบบเอเจนต์มีต้นทุนต่องานเท่าไร" โมเดลของ RadixArk มีอยู่เพราะโมเดลฐานของมันคือ Qwen3.8-27B ได้ 5.6 บน Terminal Bench 4.1 และ 12.0 หลังการฝึกเพิ่มเติม หากคุณกำลังใช้งานเอเจนต์เขียนโค้ดที่รันคำสั่ง นั่นคือความแตกต่างระหว่างโมเดลที่ส่วนใหญ่ทำไม่ได้กับโมเดลที่บางครั้งทำได้ และการเพิ่มขึ้นเป็นสองเท่าของตัวเลขเล็ก ๆ ก็คุ้มค่าเป็นเงินจริงสำหรับผู้ซื้อที่เหมาะสม
Gemma 4 26B A4B ไม่มีตัวเลข Terminal Bench เลยแม้แต่ตัวเดียว ซึ่งทำให้ข้ออ้างเรื่องคุณค่าของมันวัดไม่ได้จากข้อมูลสาธารณะ สิ่งที่มันมีคือราคาที่ทำให้การทดลองนี้ถูกมาก: ที่ $0.06 ต่อล้านโทเค็นอินพุต คุณสามารถรันเส้นทางการทำงานของเอเจนต์ได้หลายพันเส้นทางด้วยต้นทุนเท่ากับการใช้งาน H200 หนึ่งชั่วโมง และค้นหาได้ว่าโมเดลล้มเหลวในลักษณะที่ส่งผลกระทบต่อเวิร์กโหลดของคุณหรือไม่ สถาปัตยกรรมแบบสปาร์สทำให้มันถูกลงถึงสองต่อ — ราคาต่อโทเค็นต่ำ และโทเค็นก็ถูกส่งกลับมาได้เร็ว
นี่คือภาพของการตัดสินใจที่แท้จริง DaisyRose 27B เป็นโมเดลเฉพาะทางที่ผ่าน post-train โดยมีคำกล่าวอ้างด้าน agentic ที่เจาะจงซึ่งผู้ขายรายงานไว้ และไม่มีราคาสำหรับการโฮสต์ Gemma 4 26B A4B เป็นโมเดลทั่วไปที่มีตารางความสามารถเผยแพร่ไว้อย่างกว้างขวาง มีโปรไฟล์การอนุมานที่รวดเร็ว และมีราคาตามรายการที่คิดเป็นเซนต์ต่อล้านโทเคน หากงานของคุณคือการใช้เครื่องมือแบบระยะยาวและคุณสามารถโฮสต์ได้ โมเดลเฉพาะทางนี้ก็คุ้มค่าที่จะนำไป benchmarking หากงานของคุณเป็นอย่างอื่น หรือคุณไม่สามารถโฮสต์ได้ โมเดลทั่วไปในราคา $0.06 จะชนะในแกนเดียวที่สำคัญ
รันทั้งสองจากคีย์เดียว
Gemma 4 26B A4B เปิดให้ใช้งานบน OrcaRouter แล้ววันนี้ภายใต้ชื่อ google/gemma-4-26b-a4b-it โดยให้บริการในราคา 0.06 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 0.33 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต พร้อมบริบท 262,144 โทเค็น และรองรับอินพุตแบบข้อความ รูปภาพ และวิดีโอ ส่วน DaisyRose 27B ไม่ได้อยู่ในแค็ตตาล็อก ณ เวลาที่เขียน และหน้านี้จะไม่กล่าวเป็นอย่างอื่น — เป็นรีลีสที่โฮสต์เองผ่าน SGLang, vLLM และ Docker
อย่างไรก็ตาม ฐานของมันคือ Qwen3.8-27B ซึ่งให้บริการในชื่อ qwen/qwen3.8-27b ที่ $0.33 ต่อหนึ่งล้านโทเคนอินพุต และ $2.40 ต่อหนึ่งล้านโทเคนเอาต์พุต พร้อมบริบทขนาด 262,144 โทเคนเดียวกันและ vision tower ตัวเดียวกับที่ post-train คงไว้ นั่นให้สิ่งที่มีประโยชน์สองอย่างแก่ผู้อ่าน: baseline ในตระกูลเดียวกันสำหรับรันกับพรอมป์ของตนเองก่อนตัดสินใจว่า RL post-train คุ้มค่าที่จะดีพลอยหรือไม่ และเส้นทางสำรอง หากอินสแตนซ์ DaisyRose ที่โฮสต์เองเจอ sandbox หมดเวลา กฎการกำหนดเส้นทางสามารถส่งต่อคำเรียกไปยังโมเดลฐานแทนที่จะทิ้งไปได้ และเนื่องจากเราส่งผ่านราคาตามรายการของผู้ให้บริการโดยคิดมาร์กอัป 0% การเปลี่ยนแปลงราคาจากฝั่งผู้ขายที่ปลายทางใดปลายทางหนึ่งจึงไปถึงคีย์เดียวกันในวันที่การเปลี่ยนแปลงนั้นเกิดขึ้น
ขั้นตอนถัดไปที่ถูกที่สุดไม่ใช่ benchmark แต่คือการรัน Gemma 4 26B A4B และ Qwen3.8-27B บน agent trace ของคุณเอง ตามลำดับนั้น — โมเดลราคาถูกก่อน เพื่อดูว่างานของคุณพังตรงไหนจริง ๆ แล้วจึงใช้ baseline ที่แพงกว่าเพื่อดูว่าการพังนั้นเป็นความผิดของโมเดลฐานหรือไม่ หลังจากนั้นเท่านั้น การ post-train ด้วย RL เป็นเวลา 18 วันจึงจะมีอะไรให้พิสูจน์เทียบกับได้
การเปรียบเทียบในบทความนี้1
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
