
DaisyRose 27B so với Gemma 4 26B A4B: 27.8B Dense so với 3.8B Active
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 184 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 494 tok/s
- AlibabaMỚIQwen: Qwen4 Max2026-11-16$1.50 / $4.50 trên 1 triệu token · 385 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 94 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
DaisyRose 27B và Gemma 4 26B A4B là cùng một mức trọng số mô hình với cấu trúc chi phí hoàn toàn khác nhau, và mức giá khiến điều đó trở nên cụ thể nhanh hơn bất kỳ benchmark nào. Gemma 4 26B A4B — 25,2 tỷ tham số, trong đó 3,8 tỷ được đọc cho mỗi token — được phục vụ trên OrcaRouter với giá $0.06 mỗi triệu token đầu vào và $0.33 mỗi triệu token đầu ra. DaisyRose 27B, bản hậu huấn luyện chỉ dùng học tăng cường của RadixArk đối với Qwen3.8-27B được công bố ngày 18 tháng 11 năm 2026, có 27,8 tỷ tham số dense với mọi tham số đều được đọc ở mỗi token, được phát hành dưới dạng 52 GB trọng số BF16, không có API do nhà cung cấp lưu trữ và cần GPU trung tâm dữ liệu mới chạy được. Một cái là mô hình bạn thuê theo từng xu. Cái còn lại là mô hình bạn triển khai. Mọi thứ khác trong so sánh này đều suy ra từ đó.
Bức tranh benchmark thực sự thú vị và thực sự chưa đầy đủ: hai mô hình chỉ có chung đúng hai dòng kết quả công khai là GPQA Diamond và Humanity's Last Exam, và trên cả hai, DaisyRose 27B đều dẫn trước với khoảng cách lớn hơn nhiều so với mức chênh lệch tham số. Liệu khoảng cách đó có đứng vững khi được kiểm chứng bằng cùng một harness chung hay không là câu hỏi mà trang này không thể trả lời, và trang cũng nói rõ như vậy.
Tên gọi là một bản đặc tả.
Nhãn của Gemma 4 26B A4B mang chính sách định tuyến của nó, và thẻ thông tin của chính Google nêu thẳng cách đọc: “chữ 'A' trong 26B A4B là viết tắt của 'tham số hoạt động', tương phản với tổng số tham số mà mô hình chứa.”
• Tổng số tham số — 25.2B. • Hoạt động trên mỗi token — 3.8B. • Bố trí chuyên gia — 8 trong số 128 chuyên gia hoạt động cộng với 1 chuyên gia chia sẻ, được chọn theo từng token. Chuyên gia chia sẻ luôn được đọc, đó là lý do số lượng hoạt động không đơn thuần là 8/128 của tổng. • Các lớp — 30, với cửa sổ trượt 1.024 token.
DaisyRose 27B không có cấu trúc như vậy để mô tả. Nó là một transformer dense: 27,8 tỷ tham số, trong đó 0,46 tỷ là bộ mã hóa thị giác và 0,42 tỷ là đầu dự đoán nhiều token, không có router giữa đầu vào và phần tính toán. Mỗi token đều phải trả giá cho mọi trọng số.
Hệ quả thực tế nằm ở một con số phân tách các mô hình này hơn bất kỳ bài đánh giá chuẩn nào. Một mô hình thưa với 3,8B tham số hoạt động chạy ở tốc độ gần với mô hình 4B trong khi mang bộ nhớ của mô hình 25B — thẻ của Google nói thẳng điều đó, mô tả biến thể MoE là chạy "gần như nhanh như một mô hình 4B tham số." Một mô hình dense 27,8B chạy ở tốc độ của một mô hình 27,8B, và chưa ai công bố tốc độ đó: thẻ của RadixArk không có số liệu token mỗi giây cho bất kỳ cấu hình phần cứng nào.
RL đã mua được gì, và những gì nó không mua được
Quá trình huấn luyện của DaisyRose 27B là phần trong so sánh này không có tương đương ở phía Gemma. RadixArk chỉ dùng học tăng cường — không có lượt tinh chỉnh có giám sát, không chưng cất — trên khoảng 1.200 tác vụ tác nhân dài hạn được tuyển chọn, xây dựng bằng Eigent AI, với các phiên chạy tới một triệu token, trong mười tám ngày trên 144 H200 và khoảng 63.000 giờ GPU. Mục tiêu không phải là nâng cao năng lực tổng quát mà là một mục tiêu cụ thể: làm cho một mô hình 27B giỏi hơn ở vòng lặp đọc một tác vụ, gọi công cụ, đọc kết quả, sửa lỗi.
Điều đó xuất hiện ở những hàng mà hai mô hình thực sự có thể được so sánh, và nó không xuất hiện một cách đồng đều.
• GPQA Diamond — DaisyRose 27B đạt 90.7 so với 82.3 của Gemma 4 26B A4B. Cả hai đều do nhà cung cấp báo cáo: con số của RadixArk được tính qua tám lần chạy trên 198 câu hỏi với mẫu simple-evals và thứ tự câu trả lời được xáo trộn lại; còn của Google là một con số duy nhất được công bố trên model card.
• Humanity's Last Exam, không dùng công cụ — DaisyRose 27B đạt 34.3 so với 8.7 của Gemma 4 26B A4B. Đây là khoảng cách lớn nhất trong cả hai bảng và là khoảng cách đáng bị nghi ngờ nhất, vì các cấu hình khác nhau: RadixArk đã chạy năm lần cho mỗi bài toán với GPT-6 Luna làm giám khảo và không dùng công cụ; còn 8.7 của Google là con số không dùng công cụ, với 17.2 khi mô hình được phép dùng công cụ tìm kiếm.
Hai dòng không phải là một phép so sánh, và không nhà cung cấp nào đã chạy harness của bên kia. Điều mà khoảng cách HLE gợi ý — và đó là gợi ý, không phải phép đo — là một quá trình post-train nhắm vào các phiên agentic dài sẽ chuyển sang các câu hỏi suy luận khó theo cách mà một kiến trúc thưa được tiền huấn luyện cho năng lực rộng không làm được. Điều mà nó không cho thấy là hiệu ứng đó là 25 điểm, bởi vì các harness khác nhau và một trong hai con số đến từ một mô hình được cấp công cụ trong cấu hình tốt hơn của nó.

Các hàng mà chỉ một bên có
Cả hai card đều công bố những benchmark mà bên kia không công bố, và chính sự bất đối xứng ấy cũng cho thấy mỗi nhà sản xuất coi điều gì là đáng để chứng minh.
Gemma 4 26B A4B công bố một bảng năng lực tổng quát đầy đủ: MMLU Pro 82,6, AIME 2026 không dùng công cụ 88,3, LiveCodeBench v6 77,1, Codeforces ELO 1718, Tau2 trung bình trên ba đạt 68,2, BigBench Extra Hard 64,8, MMMLU 86,3, MMMU Pro 73,8, MATH-Vision 82,4, và MRCR v2 ở tám needle với ngữ cảnh 128K đạt 44,1. Không có dòng Terminal Bench, SWE-bench hay IFBench nào trên card.
DaisyRose 27B thay vào đó công bố bộ tác tử và tuân theo chỉ dẫn: Terminal Bench 4.1 đạt 12.0 so với mức cơ sở là 5.6, Terminal Bench 2.1 đạt 75.5, DeepSWE v1.1 đạt 46.2, SWE Bench Pro v2 đạt 94.7 và IFBench đạt 82.4. Không có dòng MMLU Pro, không có AIME và không có Codeforces trên card.
Đọc cùng nhau, hai bảng mô tả những sản phẩm khác nhau. Google đang công bố một mô hình tổng quát và chứng minh nó trên bộ tiêu chuẩn học thuật. RadixArk đang công bố một mô hình tác nhân và chứng minh nó trên bộ tiêu chuẩn tác nhân. Phần trùng lặp chỉ là hai hàng trong khoảng hai mươi hàng, và người mua lựa chọn giữa chúng chủ yếu là chọn bộ tiêu chuẩn mà họ quan tâm — một quyết định đơn giản hơn nhiều so với vẻ ngoài mà các cột điểm số tạo ra.
Mỗi cái chạy ở đâu
Đây là phần quyết định việc so sánh đối với hầu hết độc giả, bởi vì các câu chuyện triển khai hoàn toàn không giao nhau.
• Gemma 4 26B A4B — hiện được host hôm nay với giá 0,06 USD mỗi triệu token đầu vào và 0,33 USD mỗi triệu token đầu ra trên OrcaRouter, cùng với một bản dựng do Obsidian host có cùng kiến trúc. Trọng số mở theo Apache 2.0, ở định dạng bfloat16 (khoảng 51,6 GB chia thành hai shard), một GGUF Q4_0 được huấn luyện có nhận biết lượng tử hóa giúp chạy được trên một card tiêu dùng duy nhất, một bản dựng compressed-tensors w4a16 cho vLLM, và một drafter dự đoán đa token cho giải mã suy đoán. Bài đăng về dòng mô hình của Google mô tả hai kích thước lớn hơn là vừa "một cách hiệu quả trên một GPU NVIDIA H100 80GB duy nhất."
• DaisyRose 27B — BF16 ở khoảng 52 GB, FP8 ở khoảng 29 GB, NVFP4 ở khoảng 23 GB và chỉ hỗ trợ Blackwell, cùng với một mô hình soạn nháp giải mã suy đoán DSpark cho SGLang. RadixArk liệt kê triển khai trên một GPU duy nhất trên H200, B200, GB300, RTX PRO 6000, RTX 5090 và DGX Spark. Không có giá API hosted nào; các niêm yết của bên thứ ba báo giá $0.15 cho mỗi triệu token đầu vào và $1.88 cho mỗi triệu token đầu ra, đây là mức giá mở đầu của một nhà lưu trữ chứ không phải giá của nhà cung cấp.
Những con số đó đặt khoảng cách chi phí dịch vụ host ở mức khoảng hai lần rưỡi đối với đầu vào và gần sáu lần đối với đầu ra, theo hướng có lợi cho bên thứ ba. Đó là phép so sánh trung thực ở giá niêm yết. Đây cũng là phép so sánh thay đổi ngay khi khối lượng công việc kéo dài: một mô hình thưa vẫn phải trả 3,8B phép tính mỗi token trong khi một mô hình dày phải trả 27,8B, vì vậy khoảng cách giãn ra về độ trễ và số giây phần cứng rất lâu trước khi nó giãn ra về đô la trên mỗi triệu token.

Giá trị của đào tạo agentic trên mỗi đô la là bao nhiêu
Phiên bản thú vị của phép so sánh này không phải là "mô hình nào đạt điểm cao hơn" mà là "mức nâng nhờ năng lực tác tử tốn bao nhiêu chi phí mỗi tác vụ". Mô hình của RadixArk tồn tại vì mô hình nền của nó, Qwen3.8-27B, đạt 5,6 trên Terminal Bench 4.1 và 12,0 sau huấn luyện hậu kỳ. Nếu bạn đang chạy một tác tử lập trình thực thi lệnh, thì đó là khác biệt giữa một mô hình phần lớn không làm được và một mô hình đôi khi làm được, và việc tăng gấp đôi một con số nhỏ vẫn đáng giá tiền thật với đúng người mua.
Gemma 4 26B A4B hoàn toàn không có con số Terminal Bench nào, khiến tuyên bố về giá trị không thể đo lường được từ dữ liệu công khai. Điều nó có là một mức giá khiến thử nghiệm trở nên rẻ: với $0,06 mỗi triệu token đầu vào, bạn có thể chạy vài nghìn quỹ đạo tác tử với chi phí bằng một giờ của một H200, và tìm ra liệu mô hình có thất bại theo cách quan trọng với khối lượng công việc của bạn hay không. Kiến trúc thưa khiến điều đó rẻ gấp đôi — giá token thấp và token trả về nhanh.
Đó chính là hình hài của quyết định thực sự. {{1}}DaisyRose 27B{{/1}} là một mô hình chuyên biệt sau huấn luyện với một tuyên bố cụ thể về năng lực tác tử do nhà cung cấp báo cáo và không có giá cho phiên bản được lưu trữ. {{2}}Gemma 4 26B A4B{{/2}} là một mô hình tổng quát với bảng năng lực được công bố rộng rãi, cấu hình suy luận nhanh và giá niêm yết tính bằng xu trên mỗi triệu token. Nếu tác vụ của bạn là sử dụng công cụ trong thời gian dài và bạn có thể tự lưu trữ, mô hình chuyên biệt đáng để đánh giá chuẩn. Nếu tác vụ của bạn là bất kỳ thứ gì khác, hoặc bạn không thể tự lưu trữ, mô hình tổng quát ở mức $0,06 sẽ thắng trên trục duy nhất quan trọng.
Chạy cả hai từ một phím
Gemma 4 26B A4B đang có trên OrcaRouter hôm nay dưới google/gemma-4-26b-a4b-it, được cung cấp với giá $0,06 mỗi triệu token đầu vào và $0,33 mỗi triệu token đầu ra, với ngữ cảnh 262.144 token và đầu vào văn bản, hình ảnh và video. DaisyRose 27B không có trong danh mục tại thời điểm viết bài và trang này sẽ không gợi ý điều ngược lại — đây là bản phát hành tự lưu trữ thông qua SGLang, vLLM và Docker.
Tuy nhiên, bản nền của nó thì có. Qwen3.8-27B được phục vụ dưới dạng qwen/qwen3.8-27b với giá $0,33 mỗi triệu token đầu vào và $2,40 mỗi triệu token đầu ra, cùng ngữ cảnh 262.144 token và cùng tháp thị giác mà bản post-train giữ nguyên. Điều đó mang lại cho người đọc hai thứ hữu ích: một đường cơ sở cùng họ để chạy trên lời nhắc của chính họ trước khi quyết định xem RL post-train có đáng triển khai hay không, và một tuyến dự phòng. Nếu một instance DaisyRose tự lưu trữ gặp phải tình trạng hết thời gian chờ sandbox, một quy tắc định tuyến có thể chuyển cuộc gọi đến mô hình nền thay vì làm rơi nó, và vì chúng tôi chuyển giá niêm yết của nhà cung cấp qua với mức tăng giá 0%, thay đổi giá phía nhà cung cấp ở một trong hai đầu sẽ đến cùng khóa ngay trong ngày nó có hiệu lực.
Bước tiếp theo rẻ nhất không phải là một benchmark: mà là chạy Gemma 4 26B A4B và Qwen3.8-27B trên chính các trace agent của bạn, theo đúng thứ tự đó — mô hình rẻ trước, để xem các tác vụ của bạn thực sự hỏng ở đâu, rồi đến baseline đắt hơn để xem liệu chỗ hỏng đó có phải là lỗi của mô hình gốc hay không. Chỉ sau đó thì một lần post-train RL kéo dài mười tám ngày mới có mốc để chứng minh.
So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
