
DaisyRose 27B vs Granite 4.2 30B: 46 คะแนน สองฮาร์เนส
- 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 Granite 4.2 30B ต่างรายงานคะแนนบน Terminal Bench 2.1 DaisyRose 27B ซึ่งเป็นการ post-train ด้วย reinforcement learning เท่านั้นของ Qwen3.8-27B โดย RadixArk และเผยแพร่เมื่อวันที่ 18 พฤศจิกายน 2026 ได้คะแนน 75.5 เทียบกับ 73.0 ของโมเดลฐาน Granite 4.2 30B โมเดล dense ขนาด 30,000 ล้านพารามิเตอร์ของ IBM ที่เปิดตัวเมื่อวันที่ 25 สิงหาคม 2026 ได้คะแนน 29.24 นั่นคือช่องว่าง 46 คะแนนภายใต้ชื่อ benchmark เดียวกัน ระหว่างโมเดล dense สองตัวที่มีขนาดใกล้เคียงกันมาก และข้อสรุปโดยธรรมชาติ — ว่า DaisyRose 27B ดีกว่างานเทอร์มินัลแบบเอเจนต์ถึงสองเท่าครึ่ง — เกือบแน่นอนว่าเป็นเท็จ ตัวเลขสองตัวนี้ไม่ได้เกิดขึ้นจากวิธีเดียวกัน และหน้านี้ส่วนใหญ่พูดถึงว่าช่องว่าง 46 คะแนนสามารถเล็กกว่าที่ดูได้อย่างไร
สองโมเดลนี้มีสิ่งที่เหมือนกันมากกว่าที่ช่องว่างนั้นบ่งบอก ทั้งคู่เป็นแบบ dense ทั้งคู่มีพารามิเตอร์ประมาณ 3 หมื่นล้านตัว ทั้งคู่ใช้ Apache 2.0 ทั้งคู่เป็นการเปิดตัวแบบ open-weight โดยไม่มีราคา API แบบผู้ให้บริการโฮสต์ที่ต้องอ้างอิง และทั้งคู่ได้รับการฝึกมาเฉพาะสำหรับการใช้งานเครื่องมือแบบ agentic ภายในแซนด์บ็อกซ์ ทั้งสองเป็นคู่ที่จับคู่กันได้ใกล้เคียงที่สุดในซีรีส์นี้ทั้งในแง่สถาปัตยกรรมและเจตนา ซึ่งเป็นเหตุผลว่าทำไมตัวเลขบนการ์ดของทั้งสองจึงควรค่าแก่การอ่านอย่างละเอียด มากกว่าจะนำมาหักลบกัน
โครงสร้างของช่องว่าง 46 จุด
เริ่มจากสิ่งที่ผู้ขายแต่ละรายกล่าวถึงว่าตัวเลขนั้นถูกสร้างขึ้นมาอย่างไร เพราะการ์ดทั้งสองใบระบุไว้อย่างชัดเจนเป็นพิเศษและอธิบายการวัดที่แตกต่างกัน
• DaisyRose 27B — ห้ารอบต่องานบนฮาร์เนส Terminus 2 การ์ดเปรียบเทียบระบุ Terminus 2 อย่างชัดเจนและระบุจำนวนรอบ การสุ่มใช้ temperature 1.0, top_p 0.95, top_k 20, reasoning effort xhigh และคะแนนที่เผยแพร่คือค่าที่ดีกว่าระหว่างการรันแบบ BF16 และ FP8
• Granite 4.2 30B — 29.24 บน Terminal-Bench 2.1 ซึ่งรายงานเป็นเพียงแถวเดียวในตารางบนการ์ดโมเดล การ์ดดังกล่าวอธิบายการฝึกอบรมเชิงเอเจนต์ของตระกูลโมเดลนี้ไว้อย่างละเอียด — การปรับแต่งแบบมีผู้กำกับ (supervised fine-tuning) รอบที่สองบนข้อมูลวิศวกรรมซอฟต์แวร์เชิงเอเจนต์ที่เพิ่มจำนวนตัวอย่างขึ้น (up-sampled) จากนั้นเป็นการเรียนรู้แบบเสริมกำลังเชิงเอเจนต์ (agentic reinforcement learning) ภายในแซนด์บ็อกซ์ที่ทำงานลักษณะเดียวกับ SWE-bench การดำเนินการผ่านเทอร์มินัล และการค้นหาเว็บ — แต่แถวของ Terminal-Bench เองกลับไม่ได้ระบุจำนวนรอบการรัน ชื่อฮาร์เนส หรือการกำหนดค่าการสุ่มตัวอย่างใด ๆ ไว้เลย
ความไม่สมมาตรนี้คือเรื่องทั้งหมดที่อธิบาย 46 คะแนน ผู้ขายรายหนึ่งเผยแพร่คะแนนที่มีการวัดอย่างละเอียดมากที่ระดับความพยายามในการให้เหตุผลสูงสุดจากการรันห้าครั้ง ส่วนอีกรายเผยแพร่เพียงช่องตารางช่องเดียว ผลลัพธ์ Terminal-Bench ที่ระดับ reasoning effort xhigh สามารถขยับได้หลายสิบคะแนนเมื่อเทียบกับโมเดลเดียวกันที่การตั้งค่าเริ่มต้น เพราะ benchmark คือลำดับคำสั่ง shell ที่โมเดลซึ่งคิดนานกว่าจะได้ลองมากขึ้นในการกู้คืนจากข้อผิดพลาดของตัวเอง การนำตัวเลขแบบ best-effort, high-effort, ห้าครั้ง ไปเปรียบเทียบกับตัวเลขเดี่ยวที่ไม่ระบุเงื่อนไขใด ๆ ไม่ใช่การเปรียบเทียบเลยด้วยซ้ำ
มีความไม่สมมาตรที่สอง ซึ่งละเอียดอ่อนและน่าสนใจกว่า โมเดลฐานของ DaisyRose 27B เอง คือ Qwen3.8-27B ได้ 73.0 ในแถวเดียวกันของการ์ดเดียวกัน ดังนั้น post-training ของ RadixArk จึงปรับปรุง Terminal Bench 2.1 ขึ้น 2.5 คะแนน ขณะที่ช่องว่าง 46 คะแนนเมื่อเทียบกับ Granite ประกอบด้วยความแตกต่างของโมเดลฐาน 44 คะแนน และการฝึก 2 คะแนน ทุกสิ่งที่ทำให้สองผู้ขายนี้แตกต่างกันใน benchmark นี้ อยู่ที่จุดเริ่มต้น ไม่ใช่การเรียนรู้แบบเสริมกำลัง
ที่ซึ่งโต๊ะทั้งหลายมาบรรจบกัน
มีอีกสองแถวที่ใช้ร่วมกัน และทั้งสองแถวก็เปรียบเทียบกันได้มากกว่า Terminal-Bench
• GPQA Diamond — DaisyRose 27B ได้ 90.7 จากการรันแปดครั้งบนคำถาม 198 ข้อโดยสลับลำดับคำตอบใหม่; Granite 4.2 30B ได้ 66.41 ช่องว่าง 24 จุดที่ไม่มีข้อแตกต่างของฮาร์เนสใดอธิบายได้อย่างสมเหตุสมผล โมเดลฐานของ DaisyRose ได้ 89.2 คะแนน ดังนั้นขั้นหลังการเทรนจึงเพิ่ม 1.5 คะแนนให้โมเดลฐานที่นำอยู่ไกลแล้ว
• IFBench — DaisyRose 27B 82.4 จากการรัน 4 ครั้งบนพรอมป์ต์ 300 รายการ ด้วยตัวให้คะแนน allenai อย่างเป็นทางการ ความแม่นยำระดับพรอมป์ต์แบบเข้มงวดโดยไม่รวมการคิด; Granite 4.2 30B 77.17 ซึ่งติดป้ายว่า "prompt" บนการ์ด ช่องว่าง 5 จุด และเป็นสิ่งที่ใกล้เคียงที่สุดกับการเสมอกันอย่างแท้จริงบนการ์ดใดการ์ดหนึ่ง
ตัวเลข GPQA คือสิ่งที่ควรเปลี่ยนวิธีที่ผู้อ่านคิดเกี่ยวกับการเปรียบเทียบคู่นี้ Granite 4.2 30B เป็นโมเดลที่ IBM สร้างขึ้นสำหรับงานเอเจนต์ระดับองค์กร — มีสิบสองภาษาที่ผ่านการทดสอบ สามโหมดการให้เหตุผล การเรียกใช้เครื่องมือ บริบทเนทีฟ 128K ที่ขยายได้ถึง 512K — และได้คะแนน 66.41 ในวิทยาศาสตร์ระดับบัณฑิตศึกษา DaisyRose 27B ได้ 90.7 ไม่ว่าฮาร์เนสบน Terminal-Bench จะมีข้อแม้อะไรก็ตาม คำถามวิทยาศาสตร์ระดับบัณฑิตศึกษาไม่มีฮาร์เนสที่แกว่งได้ถึง 24 คะแนน และการตีความอย่างตรงไปตรงมาคือโมเดลฐานของ RadixArk อย่าง Qwen3.8-27B ที่ 89.2 เป็นโมเดลการให้เหตุผลที่แข็งแกร่งกว่าโมเดลฐานที่ IBM เริ่มต้นมา

สองแนวคิดที่แตกต่างกันอย่างมากเกี่ยวกับการฝึกอบรมแบบเอเจนต์
โมเดลทั้งสองได้รับการฝึกให้ทำงานภายในแซนด์บ็อกซ์ และคำอธิบายสองชุดเกี่ยวกับการฝึกนั้นเป็นส่วนที่เผยข้อมูลได้มากที่สุดในบรรดาการ์ดทั้งสองใบ
แนวทางของ RadixArk คือเปลี่ยนแปลงให้น้อยที่สุด DaisyRose 27B คงสถาปัตยกรรม โทเคไนเซอร์ เทมเพลตแชต วิสชันทาวเวอร์ และบริบท 262,144 โทเคนของ Qwen3.8-27B ไว้โดยไม่แตะต้อง และใช้การเรียนรู้แบบเสริมกำลังกับงานระยะยาวที่คัดสรรแล้วประมาณ 1,200 งานซึ่งสร้างด้วย Eigent AI — งานที่ออกแบบให้เชื่อมปัญหาหลายข้อเข้าด้วยกัน ต้านทานการแฮ็กผลตอบแทน และทำงานในเซสชันที่มีได้ถึงหนึ่งล้านโทเคน สิบแปดวัน H200 จำนวน 144 ตัว 63,000 GPU-hour และแซนด์บ็อกซ์ประมาณ 944,000 แห่ง ไม่มีการปรับแต่งละเอียดแบบมีผู้สอน ไม่มีการกลั่นความรู้
แนวทางของ IBM คือการเปลี่ยนพฤติกรรมเป็นระยะ ๆ ครอบครัวของ Granite 4.2 30B ได้รับการปรับละเอียดแบบมีผู้สอนรอบที่สองด้วยข้อมูลวิศวกรรมซอฟต์แวร์แบบเอเจนต์ที่เพิ่มจำนวนตัวอย่างขึ้น จากนั้นจึงเป็นการเรียนรู้แบบเสริมกำลังเชิงเอเจนต์ซึ่งรันโมเดลภายในแซนด์บ็อกซ์บนงานลักษณะ SWE-bench การปฏิบัติการในเทอร์มินัล และการค้นหาเว็บ การ์ดระบุชัดเจนว่า 30B เป็นรุ่นที่ทำผลงานได้ดีที่สุดในครอบครัวสำหรับงานที่ต้องใช้การให้เหตุผลหนักและงานแบบเอเจนต์ นอกจากนี้ยังมีตารางความสามารถทั่วไปแบบเต็ม ภาษาที่ทดสอบสิบสองภาษา โหมดการคิดสามแบบ และ chain-of-thought ในตัว
คำอธิบายการฝึกของทั้งสองผู้ขายไม่ได้บ่งบอกถึงโปรไฟล์ benchmark ของอีกฝ่าย และนั่นคือสิ่งที่ตารางแสดงให้เห็น: DaisyRose 27B นำอย่างชัดเจนในแถวที่เน้นการให้เหตุผล และไม่เผยแพร่ข้อมูลใด ๆ เกี่ยวกับ multilingual หรือ vision; Granite 4.2 30B เผยแพร่ข้อมูลครอบคลุมชุด enterprise suite — 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 — และได้คะแนน 66.41 ในจุดที่ทั้งสองทับซ้อนกันด้านวิทยาศาสตร์
บริบท หน่วยความจำ และเรื่องราวการนำไปใช้งาน
ส่วนขยาย 512K ของ Granite เป็นจุดที่สร้างความแตกต่างได้จริงซึ่งไม่มีแถว benchmark ใดบันทึกไว้ และควรระบุให้ชัดเจนว่าการ์ดโมเดลอ้างอะไร: 128K แบบ native, "ส่วนขยาย long-context ถึง 512K" โดยตารางโมเดลระบุความยาวลำดับไว้ที่ 131,072 การขยายไม่เหมือนกับ native และตัวเลข RULER บนการ์ดแสดงต้นทุนนั้น — 89.96 ที่ 64K เทียบกับ 81.38 ที่ 128K บนโมเดลเดียวกัน DaisyRose 27B ยืนในตำแหน่งตรงข้าม: 262,144 โทเคนแบบคงที่โดยไม่มีตัวแปร long-context สืบทอดมาจาก Qwen3.8-27B และ RadixArk ระบุว่าการรัน thinking แบบยาวของตัวเองไปถึงหลายหมื่นโทเคน ซึ่งเป็นจุดที่หน้าต่างนั้นถูกใช้ไปจำนวนมากในทางปฏิบัติ
• น้ำหนักโมเดล DaisyRose 27B — BF16 ประมาณ 52 GB, FP8 ประมาณ 29 GB, NVFP4 ประมาณ 23 GB และรองรับเฉพาะ Blackwell รวมถึงดราฟเตอร์สำหรับ speculative decoding ของ Qwen3.8-27B-DSpark RadixArk แนะนำให้ใช้ SGLang กับ DSpark และเผยแพร่การกำหนดค่าอ้างอิงแบบสี่ GPU พร้อมแคช KV แบบ FP8
• เวตของ Granite 4.2 30B — ประมาณ 29B ที่จัดเก็บใน bfloat16, Apache 2.0 พร้อมการควอนไทซ์ FP8, NVFP4/MXFP4 และ GGUF ที่จัดส่งมาพร้อมกับรุ่น BF16 เมื่อเป็น 30B แบบ dense จึงอยู่ในระดับหน่วยความจำใกล้เคียงกับบิลด์ BF16 ของ DaisyRose ดังนั้นทั้งสองจึงไม่มีข้อได้เปรียบด้านพื้นที่หน่วยความจำที่คุ้มค่าจะมาโต้เถียงกัน
ความแตกต่างด้านการนำไปใช้งานอยู่ที่การสนับสนุน ไม่ใช่ขนาด Granite 4.2 30B ดาวน์โหลดและรันได้มาเป็นเวลาสามเดือนแล้ว มีควอนไทซ์ที่ IBM เผยแพร่สำหรับหลายรันไทม์ และมีระบบนิเวศของผู้คนที่เจอโหมดความล้มเหลวของมันมาแล้ว DaisyRose 27B เพิ่งออกมาได้สามวัน มีพรีซิชันสามแบบ มีเส้นทางการให้บริการที่แนะนำเพียงหนึ่งเส้นทาง และไม่มีตัวเลขทรูพุตที่เผยแพร่สำหรับการกำหนดฮาร์ดแวร์ใด ๆ

ทั้งสองอย่างไม่ได้อยู่บนเอนด์พอยต์ที่โฮสต์ไว้ที่นี่
นี่คือส่วนที่น่าพอใจน้อยที่สุดของการเปรียบเทียบ และควรกล่าวอย่างตรงไปตรงมาว่าทั้ง DaisyRose 27B และ Granite 4.2 30B ต่างไม่ปรากฏในแคตตาล็อกของ OrcaRouter ณ เวลาที่เขียนนี้ RadixArk ไม่เผยแพร่ API DaisyRose แบบโฮสต์ และชี้ไปที่ SGLang, vLLM และ Docker; Granite 4.2 30B ของ IBM เป็นรุ่นแบบ open-weight ซึ่งแนวทางปฏิบัติจริงคือการโฮสต์เอง โดยไม่มีอัตราค่าบริการจากผู้จำหน่ายให้อ้างอิง รายการราคาจากบุคคลที่สามสำหรับ DaisyRose ระบุว่า$0.15 ต่อหนึ่งล้านโทเค็นอินพุต และ $1.88 ต่อหนึ่งล้านโทเค็นเอาต์พุต ซึ่งเป็นราคาเสนอเริ่มต้นของผู้ให้บริการโฮสต์มากกว่าราคาของผู้จำหน่าย และควรตีความในลักษณะนั้น
สิ่งที่หมายความสำหรับผู้อ่านที่กำลังพยายามตัดสินใจก็คือ การเปรียบเทียบนี้ไม่อาจตัดสินได้ด้วยการสลับ base URL ทั้งสองโมเดลต้องใช้ GPU และคำแนะนำที่ตรงไปตรงมาคือให้ทำการทดลองที่ถูกกว่าก่อน: หากงานของคุณพอดีกับคอนเท็กซ์เนทีฟ 128K ของ Granite 4.2 30B และตารางความสามารถที่เผยแพร่ของมัน โมเดลนี้มีข้อผิดพลาดของผู้อื่นเป็นเวลาสามเดือนอยู่เบื้องหลัง และคุณสามารถรู้ได้ภายในหนึ่งวันว่ามันล้มเหลวกับงานของคุณหรือไม่
อะไรจะทำให้การเปรียบเทียบนี้เป็นจริง
การรันหนึ่งครั้งบนฮาร์เนสเดียวจะตัดสินเรื่องส่วนใหญ่ในหน้านี้ได้ Terminal-Bench เป็นแบบสาธารณะ งานถูกกำหนดตายตัว และทั้งสองโมเดลโหลดในรันไทม์ที่ใกล้เคียงกับ llama.cpp ที่ความแม่นยำระดับเทียบเคียงกัน หากมีใครเผยแพร่ DaisyRose 27B และ Granite 4.2 30B บนฮาร์เนสเดียวกันด้วยการตั้งค่าการสุ่มแบบเดียวกัน ช่องว่าง 46 จุดก็จะยุบลงเหลือค่าที่เป็นจริงของมัน — น่าจะอยู่ระหว่างตัวเลขของผู้ขายทั้งสองราย เนื่องจากค่าของ DaisyRose เป็นค่าดีที่สุดจากสองครั้งที่ความพยายาม xhigh ส่วนค่าของ Granite ไม่มีเงื่อนไขกำกับ
จนถึงตอนนั้น การตีความที่ยังป้องกันได้ก็แคบลงแต่ยังมีประโยชน์: ในด้านวิทยาศาสตร์ระดับบัณฑิตศึกษา ซึ่งฮาร์เนสมีผลน้อยที่สุด โมเดลของ RadixArk นำหน้าโมเดลของ IBM อยู่ไกล ด้วยส่วนต่างที่ทั้งจำนวนครั้งที่รันและการสลับลำดับคำตอบไม่อาจอธิบายได้ ในด้านการปฏิบัติตามคำสั่ง ทั้งสองใกล้กัน ในงานเอเจนต์บนเทอร์มินัล ไม่มีใครบอกได้ และช่องว่าง 46 จุดที่เผยแพร่ก็วัดการตั้งค่าการประเมินสองแบบ อย่างน้อยพอ ๆ กับที่วัดสองโมเดล
สำหรับทีมที่กำลังเลือกในวันนี้ การตัดสินใจไม่ได้ขึ้นอยู่กับตาราง benchmark มากเท่ากับความสมบูรณ์พร้อมใช้งาน Granite 4.2 30B เป็นโมเดลระดับองค์กรที่เสร็จสมบูรณ์ มีเอกสารครบถ้วน และมีอายุสามเดือน พร้อมการควอนไทซ์และตารางความสามารถหลายภาษา ส่วน DaisyRose 27B เป็นการทดลอง reinforcement learning อายุสิบแปดวัน พร้อมชุดตัวเลขจากผู้ขายที่น่าทึ่ง มีเพียงแถวเดียวที่แชร์ร่วมกันซึ่งสนับสนุนตัวเลขเหล่านั้น และไม่มีการตรวจสอบซ้ำโดยอิสระใด ๆ ถ้างานที่ต้องรับภาระเป็นงานโปรดักชันและเดดไลน์คือตอนนี้ ความแตกต่างนี้คือตัวตัดสิน ถ้างานนั้นเป็นเอเจนต์ที่คุณควบคุมได้ และคุณมีทรัพยากรพอที่จะ benchmark แถว GPQA และ IFBench ของ DaisyRose 27B ก็เป็นเหตุผลเพียงพอที่จะนำมันไปทดสอบบน harness เดียวกับโมเดลที่คุณใช้งานอยู่ในวันนี้ แล้วดูว่าจะเกิดอะไรขึ้น
