
DaisyRose 27B vs ZWZ2 27B: ค่าเฉลี่ยกับพรมแดน
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 187 tok/s
- openaiใหม่OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- openaiใหม่OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 152 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 194 tok/s
- Alibabaใหม่Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 ต่อ 1 ล้านโทเค็น · 86 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 705 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 85 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 · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 ต่อ 1 ล้านโทเค็น · 35 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 · 38 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 · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 101 tok/s
ลองวางDaisyRose-27BกับZWZ2-27Bไว้ข้างกัน แล้วคุณจะได้เห็นงาน post-train แบบ reinforcement learning ของเช็กพอยต์ Qwen สองตัวจริง ๆ ที่เปิดตัวห่างกันสามสัปดาห์ในฤดูใบไม้ร่วงปี 2026 และถูกรายงานในสไตล์ที่แตกต่างกันโดยสิ้นเชิง DaisyRose-27B จาก RadixArk เมื่อวันที่ 18 พฤศจิกายน 2026 คือเจ็ดเบนช์มาร์กเทียบกับ Qwen3.8-27B โดยมีกำไรเชิงสัมพัทธ์มากที่สุดอยู่ที่ข้อที่ยากที่สุด ส่วน ZWZ2-27B จาก inclusionAI คือยี่สิบห้าเบนช์มาร์กในหกโดเมนเทียบกับ Qwen3.6-27B ซึ่งรายงานเป็นคะแนนเฉลี่ยที่เพิ่มขึ้นจาก 55.52 เป็น 60.51
แล็บหนึ่งเผยแพร่ผลลัพธ์ระดับแนวหน้า อีกแห่งเผยแพร่ค่าเฉลี่ย สิ่งเหล่านี้ไม่ใช่คำกล่าวอ้างประเภทเดียวกัน และความแตกต่างนี้บอกคุณได้มากกว่าตัวเลขใด ๆ ในตารางทั้งสองว่าแต่ละโมเดลมีไว้เพื่ออะไร
ฐานต่างกัน ห่างกันหนึ่งรุ่น
ข้อเท็จจริงสำคัญที่สุดเพียงข้อเดียวในการจับคู่นี้คือ โมเดลทั้งสองไม่มีบรรพบุรุษร่วมกัน ZWZ2-27B สร้างบน Qwen3.6-27B ส่วน DaisyRose-27B สร้างบน Qwen3.8-27B นั่นต่างกันหนึ่งรุ่นฐาน ซึ่งหมายความว่าการเทียบแบบตัวต่อตัวที่หน้า "vs" มักทำกันนั้นไม่มีให้ใช้ในที่นี้เลย ไม่ใช่เพราะตัวเลขขาดหาย แต่เพราะการเอาชนะฐานรุ่นก่อนบอกอะไรที่แตกต่างจากการเอาชนะรุ่นปัจจุบัน
การ์ดของ ZWZ2-27B เองทำให้เรื่องนี้ชัดเจนโดยรายงานทุกการเพิ่มขึ้นเทียบกับ Qwen3.6-27B การ์ดของ DaisyRose-27B รายงานเทียบกับ Qwen3.8-27B ผู้อ่านที่เปรียบเทียบตัวเลขการยกระดับทั้งสองกำลังเปรียบเทียบการปรับปรุงจากฐานรุ่นเก่ากับการปรับปรุงจากฐานรุ่นใหม่กว่า และฐานรุ่นใหม่กว่าเริ่มต้นจากระดับที่สูงกว่า ไม่มีการคำนวณใดแก้ไขสิ่งนั้นได้ และไม่มีบทความที่ซื่อสัตย์ควรพยายามทำเช่นนั้น
ZWZ2 รายงานตัวเองอย่างไร
การประเมินของ {{1}}ZwZ2-27B{{/1}} ถูกจัดแบ่งตามโดเมนแทนที่จะแบ่งตามความยากของเบนช์มาร์ก เบนช์มาร์กยี่สิบห้ารายการถูกจัดกลุ่มเป็นหกด้าน โดยแต่ละโดเมนมีค่าเฉลี่ยก่อนและหลังของตนเอง:
• การรับรู้รายละเอียด — 62.09 ถึง 67.57 เพิ่มขึ้น 5.48 ในเบนช์มาร์กแปดรายการ รวมถึง VStar, HR-Bench 8K และ MME-RealWorld
• การให้เหตุผลเชิงพื้นที่ — 49.72 ถึง 55.98 เพิ่มขึ้น 6.26 ซึ่งเป็นการเพิ่มขึ้นของโดเมนที่มากที่สุด
• การให้เหตุผลเชิงภาพทั่วไป — 47.89 ถึง 53.71 เพิ่มขึ้น 5.82 ครอบคลุม MMStar และ BabyVision
• เชิงพื้นที่แบบฝังกาย — 50.17 ถึง 55.71 เพิ่มขึ้น 5.54
• บริบทแบบยาว — 65.87 ถึง 68.77 เพิ่มขึ้น 2.90
• เอเจนต์แบบมัลติโหมด — 49.73 ถึง 51.81 เพิ่มขึ้น 2.08 ซึ่งเป็นการเพิ่มขึ้นที่น้อยที่สุดและเป็นตัวเลขที่บ่งชี้ได้มากที่สุด
ค่าเฉลี่ยโดยรวมขยับจาก 55.52 เป็น 60.51 ซึ่งเพิ่มขึ้น 4.99 และ inclusionAI ระบุว่าโมเดลที่ปรับแต่งแล้วนั้นเอาชนะโมเดลฐานได้ในทุก ๆ หนึ่งของเบนช์มาร์กทั้งยี่สิบห้ารายการ นั่นเป็นคำกล่าวอ้างที่หนักแน่นเกี่ยวกับความสอดคล้อง แต่เป็นคำกล่าวอ้างที่อ่อนเกี่ยวกับความสามารถใด ๆ โดยเฉพาะ เพราะค่าเฉลี่ยจากการทดสอบยี่สิบห้ารายการถูกครอบงำโดยการทดสอบที่โมเดลทำได้ดีอยู่แล้ว
DaisyRose รายงานตัวเองอย่างไร
RadixArk ใช้แนวทางตรงกันข้าม: เจ็ดเบนช์มาร์ก โดยรายงานแต่ละรายการแยกกัน พร้อมคะแนนของโมเดลฐานอยู่ข้างๆ Terminal Bench 4.1 เพิ่มจาก 5.6 เป็น 12.0, Terminal Bench 2.1 จาก 73.0 เป็น 75.5, DeepSWE v1.1 จาก 42.2 เป็น 46.2, SWE Bench Pro v2 จาก 91.3 เป็น 94.7, Humanity's Last Exam จาก 33.9 เป็น 34.3, IFBench จาก 79.5 เป็น 82.4, GPQA Diamond จาก 89.2 เป็น 90.7
ไม่มีการเสนอค่าเฉลี่ย และนั่นแหละคือประเด็น กำไรที่พาดหัว ซึ่งมากกว่าสองเท่าบน Terminal Bench 4.1 เป็นกำไรจากฐานที่ต่ำมาก — 5.6 ใกล้เคียงกับค่าพื้นล่าง สองเบนช์มาร์กที่ฐานแข็งอยู่แล้ว คือ HLE และ GPQA Diamond แทบไม่ขยับ เมื่ออ่านเป็นชุด ตารางบอกว่าการปรับจูนครั้งนี้ได้มาซึ่งสมรรถนะเชิงเอเจนต์ และปล่อยการให้เหตุผลทั่วไปไว้เฉย ๆ ซึ่งเป็นสิ่งที่รางวัลที่สร้างจากงานเอเจนต์ระยะยาวควรก่อให้เกิดขึ้นพอดี

สิ่งที่ค่าเฉลี่ยจาก 25 เบนช์มาร์กซ่อนไว้
แถวค่าสัมบูรณ์ที่อ่อนที่สุดของ ZWZ2-27B คือแถวที่น่าสนใจ และการ์ดของโมเดลเองก็เผยแพร่ค่าเหล่านี้ไว้: Chartography 12.00, AgentVista 18.18, Perception-Bench 44.93 และ ScreenSpot-Pro 70.59 ค่าเหล่านี้อยู่เคียงข้างค่าเฉลี่ยของโดเมนที่อยู่ในหลักห้าสิบและหกสิบ ซึ่งหมายความว่าค่าเฉลี่ยยังถูกพยุงไว้ด้วยเบนช์มาร์กที่โมเดลทำได้ดี ส่วนเบนช์มาร์กที่ยากจริง ๆ นั้นอยู่ใกล้ค่าต่ำสุด
นั่นเป็นเรื่องปกติสำหรับ post-train และไม่ควรตีความว่าเป็นข้อบกพร่อง อย่างไรก็ตาม มันเป็นข้อมูลที่ค่าเฉลี่ยกลบหายไปพอดี ทีมที่อ่าน "60.51" แล้วคาดหวังโมเดลที่ทำได้ดี 60% ในทุกเรื่องจะต้องประหลาดใจอย่างมากกับ Chartography ที่ 12 ทีมที่อ่านแถวแยกตาม benchmark จะรู้ทันทีว่าภาระงานใดของตนที่โมเดลนี้ไม่ได้ถูกฝึกมา
ข้อแม้เดียวกันนี้ใช้ในทางกลับกันกับ DaisyRose-27B คะแนน Terminal Bench 4.1 ที่ 12.0 เป็นการเพิ่มขึ้นเชิงสัมพัทธ์ที่มาก แต่เป็นผลลัพธ์สัมบูรณ์ที่ย่ำแย่ และการ์ดโมเดลก็ซื่อตรงต่อทั้งสองเรื่อง ตัวเลขพาดหัวของทั้งสองโมเดลไม่รอดเมื่อเทียบกับแถวรายละเอียดของตัวเอง
สถาปัตยกรรมและสัญญาอนุญาต
ทั้งคู่สืบทอด base ของตนมาโดยไม่เปลี่ยนแปลง ZWZ2-27B ใช้คอนฟิกของ Qwen3.6-27B ตามที่เผยแพร่: ขนาด hidden 5,120, 64 เลเยอร์, 24 query head และ 4 key-value head ที่มิติ 256, FFN ขนาด 17,408, รูปแบบ attention แบบ linear-to-full ในอัตราส่วนสามต่อหนึ่งที่ทำซ้ำสิบหกครั้ง, M-RoPE แบบ interleaved พร้อม rope base เท่ากับสิบล้าน, คำศัพท์ 248,320 คำ และตำแหน่ง native 262,144 ตำแหน่ง vision tower มี 27 เลเยอร์ที่ความกว้าง 1,152 ฉายไปยัง 5,120 ด้วยแพตช์ขนาด 16 พิกเซลและการรวมแบบ 2×2 ไม่มีเลเยอร์ multi-token-prediction — คอนฟิกกำหนดค่านี้เป็นศูนย์ — และน้ำหนัก BF16 มีขนาดประมาณ 54 GB กระจายในสอง shard โดยมี transformers 5.13.1 เป็นเส้นทางที่เอกสารระบุไว้
DaisyRose-27B ใช้การกำหนดค่าเดียวกับ Qwen3.8-27B คือมีขนาด hidden และจำนวนเลเยอร์เท่ากัน ใช้ Gated DeltaNet แบบ linear attention ในรูปแบบสามต่อหนึ่งเดียวกัน มี vision encoder ขนาด 0.46B และมี prediction head ขนาด 0.42B ซึ่ง ZWZ2-27B ไม่มี ขนาด context คือ 262,144 สำหรับทั้งสองรุ่น DaisyRose มีจำหน่ายในรูปแบบ BF16 ที่ประมาณ 52 GB, FP8 ที่ 29 GB และ NVFP4 ที่ 23 GB พร้อมสูตรการเสิร์ฟด้วย SGLang แบบครบชุด ส่วน ZwZ2-27B มีจำหน่ายเฉพาะ BF16 เท่านั้น
• ใบอนุญาต — Apache-2.0 สำหรับทั้งคู่ สืบทอดมาจากฐานของแต่ละตัว
• Vision — ทั้งคู่รับรูปภาพและส่งคืนข้อความ; ไม่มีตัวใดเป็นข้อความเท่านั้น
• การควอนไทซ์ — สามรูปแบบสำหรับ DaisyRose-27B, BF16 เท่านั้นสำหรับ ZwZ2-27B
• เอกสารการเสิร์ฟ — สูตร SGLang แบบละเอียดพร้อมการถอดรหัสเชิงคาดการณ์สำหรับ DaisyRose-27B; คู่มือเริ่มต้นอย่างรวดเร็วของ transformers สำหรับ ZwZ2-27B
• การประเมินโดยอิสระ — ไม่มีเลยสำหรับโมเดลทั้งสอง ณ เวลาที่เขียน

คำถามเรื่องการรับรู้
การเพิ่มขึ้นของ ZwZ2-27B กระจุกตัวอยู่ในด้านการรับรู้และการใช้เหตุผลเชิงพื้นที่: การรับรู้ระดับละเอียดเพิ่มขึ้น 5.48, เชิงพื้นที่เพิ่มขึ้น 6.26, เชิงพื้นที่แบบ embodied เพิ่มขึ้น 5.54 โดยมีเบนช์มาร์กความละเอียดสูงอย่าง HR-Bench 8K อยู่ในกลุ่มแรกดังกล่าว DaisyRose-27B ไม่รายงานเบนช์มาร์กด้านการรับรู้เลย เอนโคเดอร์ภาพของมันสืบทอดมาและไม่ถูกแตะต้อง และไม่มีสิ่งใดใน(model) card บ่งชี้ว่ารางวัลได้หล่อหลอมมัน
ความไม่สมมาตรนั้นคือการตัดสินใจ ถ้าภาระงานของคุณคือภาพหน้าจอ แผนภูมิที่ข้อมูลหนาแน่น หน้าที่สแกน หรือเลย์เอาต์เชิงพื้นที่ การ์ดของ ZwZ2-27B ตอบโจทย์สิ่งนั้นโดยตรง แต่การ์ดของ DaisyRose-27B ไม่ตอบโจทย์ ถ้าภาระงานของคุณคือเทอร์มินัล รีโพซิทอรี หรือเซสชันการเรียกใช้เครื่องมือที่ยาวนาน สิ่งที่ตรงกันข้ามกลับเป็นจริง: การ์ดของ DaisyRose-27B เต็มไปด้วยแถวเหล่านั้นพอดี และโดเมนที่อ่อนที่สุดของ ZwZ2-27B คือเอเจนต์มัลติโมดัลด้วยค่าเฉลี่ย 51.81
ไม่มีการ์ดใดเป็นหลักฐานที่ดีกว่าอีกการ์ดหนึ่ง ทั้งสองเป็นการ์ฐานเกี่ยวกับเรื่องที่แตกต่างกัน ผลิตขึ้นภายใต้ระเบียบวิธีที่แตกต่างกัน และวิธีตอบที่ถูกต้องคือการอ่านแต่ละการ์ดโดยคำนึงถึงคำถามที่มันถูกสร้างขึ้นมาเพื่อตอบ
การรันพวกมัน และการผสมพวกมัน
ในปัจจุบัน ทั้ง DaisyRose-27B และ ZwZ2-27B ต่างก็ไม่ได้ถูกโฮสต์อยู่บน OrcaRouter ทั้งคู่เป็นเวตที่คุณต้องให้บริการเองหรือเข้าถึงผ่านแพลตฟอร์มของบุคคลที่สาม ซึ่งหมายความว่าทั้งคู่มีปัญหาด้านการดำเนินงานแบบเดียวกัน: มีเช็กพอยต์สองชุด มีการดีพลอยสองชุด มีชุดการตัดสินใจเรื่องความจุสองชุด และไม่มีวิธีส่งคำขอไปยังตัวใดก็ตามที่พร้อมใช้งานในขณะนั้น
นั่นคือกรณีที่ routing ถูกสร้างขึ้นมาเพื่อรองรับ เมื่อโมเดลสองตัวแบ่งงานกันตามเส้นแบ่งที่ชัดเจน — การรับรู้อยู่ฝั่งหนึ่ง การกระทำแบบ agentic อยู่อีกฝั่งหนึ่ง — แอปพลิเคชันก็ยังต้องจำแนกคำขอและเรียกปลายทางที่แตกต่างกันสองจุดอยู่ดี routing DSL ของ OrcaRouterช่วยให้การจำแนกนั้นอยู่ที่จุดเดียว โดยประกอบโมเดลทั้งสองเข้าเป็นเส้นทางการเรียกเพียงเส้นเดียว พร้อมกับระบบ failover อัตโนมัติ เพื่อให้ deployment แบบ self-hosted ที่มีโหลดเต็มถูกส่งต่อไปยัง endpoint ที่สองแทนที่จะคืนค่าข้อผิดพลาด สำหรับโมเดลคู่หนึ่งที่ทั้งใหม่และมีเอกสารประกอบน้อยเพียงนี้ failover จึงไม่ได้เกี่ยวกับ uptime เท่าไรนัก แต่เกี่ยวกับการไม่เดิมพันเส้นทางโปรดักชันกับ weights ที่เปิดให้สาธารณะเข้าถึงมาได้สามสัปดาห์ OrcaRouter ยังส่งต่อราคาตามรายการของผู้ให้บริการโดยคิด markup 0%สำหรับทุกสิ่งที่เราโฮสต์เอง ดังนั้นขา hosted ของ deployment แบบผสมจึงคิดราคาต้นทุนแทนที่จะเป็นหลายเท่า

ควรเชื่อรายงานฉบับใดในการตัดสินใจของคุณ
เลือก ZwZ2-27B หากงานของคุณเน้นการรับรู้เป็นอันดับแรก และคุณต้องการโมเดลที่มีการ์ดโมเดลบันทึกเรื่องนี้ไว้ครอบคลุมเบนช์มาร์กยี่สิบห้ารายการ — และให้อ่านแถวค่าสัมบูรณ์ ไม่ใช่ค่าเฉลี่ย เลือก DaisyRose-27B หากงานของคุณเป็นแบบเอเจนต์ และคุณต้องการโมเดลที่มีการ์ดโมเดลบันทึกการเปลี่ยนแปลงพฤติกรรมที่เฉพาะเจาะจงและตรวจสอบได้เมื่อเทียบกับโมเดลฐานที่มันพัฒนามา ไม่เลือกทั้งสองหากคุณต้องมีการตรวจสอบที่เป็นอิสระก่อนตัดสินใจ: ตารางทั้งสองเป็นข้อมูลที่ผู้ขายรายงานเอง ทั้งคู่ไม่มีคะแนนจาก Artificial Analysis และตัวเลขหนึ่งเดียวที่ทีมจัดซื้อจัดหาอยากได้ — ประสิทธิภาพบนภาระงานของคุณเอง — ไม่มีอยู่ในเอกสารทั้งสองฉบับ
การเปรียบเทียบที่จะมีความหมายจริงๆ คือครั้งต่อไป ทั้งสองแล็บอยู่ในโมเดลแรกของตน ทั้งคู่สร้างบนเช็กพอยต์ Qwen และทั้งคู่ใช้การเรียนรู้แบบเสริมกำลังเป็นแนวทางหลักทั้งหมดในขั้นหลังการฝึก หาก inclusionAI เปิดตัว ZwZ3 บน Qwen3.8-27B หรือ RadixArk เปิดตัว DaisyRose ตัวที่สองที่คงสูตรของเอเจนต์ไว้และเพิ่มแถวการรับรู้ สไตล์การรายงานทั้งสองจะได้พบกันบนฐานร่วมกันในที่สุด และการเทียบกันแบบตัวต่อตัวจริงๆ จะเป็นไปได้ จนถึงตอนนั้น สรุปที่ถูกต้องคือโมเดลเหล่านี้ถูกวัดเพื่อวัตถุประสงค์ที่ต่างกัน และความแตกต่างระหว่างโมเดลระดับเฉลี่ยกับโมเดลแนวหน้าคือความแตกต่างระหว่างการถามว่าโดยรวมแล้วดีกว่าหรือไม่ กับการถามว่าดีกว่าในสิ่งที่ฉันต้องการหรือไม่
