Một thẻ tiêu đề được tạo có nội dung 'DaisyRose 27B vs Gemma 4 31B', phụ đề 'Hai mô hình dense, hai công việc khác nhau', bên trên ba thẻ bo tròn ghi 'DaisyRose: 27.8B dense, post-train chỉ bằng RL', 'Gemma 4 31B: 30.7B dense, năng lực tổng quát', và 'GPQA Diamond: 90.7 so với 84.3', với phần chân trang ghi 'Số liệu DaisyRose theo RadixArk, tháng 11 năm 2026; số liệu Gemma 4 31B theo Google DeepMind.' Logo OrcaRouter nằm ở góc dưới cùng bên phải.
Guides & Insights

DaisyRose 27B so với Gemma 4 31B: Hai mô hình dense, hai nhiệm vụ khác nhau

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

DaisyRose 27B và Gemma 4 31B là cặp gần nhau nhất trong nhóm so sánh này: cả hai đều là mô hình dense, đều nằm trong khoảng 27 đến 31 tỷ tham số, đều đa phương thức với ngữ cảnh 256K token, đều dùng Apache 2.0, đều phát hành kèm một drafter giải mã suy đoán cùng với trọng số. Theo bằng chứng mà các nhà cung cấp chọn công bố, chúng cũng nhắm tới những người mua khác nhau. Gemma 4 31B là mô hình tổng quát của Google DeepMind — một mô hình dense 30,7B với chế độ suy nghĩ có thể cấu hình, gọi hàm gốc, hơn 140 ngôn ngữ và bảng năng lực mười bốn dòng bao trùm mọi thứ từ AIME đến phân tích tài liệu. DaisyRose 27B là mô hình chuyên biệt của RadixArk, công bố ngày 18 tháng 11 năm 2026, được hậu huấn luyện chỉ bằng học tăng cường trên các tác vụ tác tử tầm xa, và được chứng minh trên một bảng tác tử năm dòng. Hai mô hình gần như giống hệt nhau về cấu trúc; bằng chứng mà mỗi nhà cung cấp đưa ra gần như không giao nhau.

Chỉ có một benchmark trong cả hai bảng mang cả hai cái tên: GPQA Diamond, nơi DaisyRose 27B báo cáo 90,7 còn Gemma 4 31B báo cáo 84,3. Sáu điểm rưỡi trong một kỳ thi khoa học cấp sau đại học đến từ một mô hình ít hơn 2,9 tỷ tham số chính là điểm nhấn mà trang này có, và phần còn lại là về lý do vì sao điểm nhấn đó mỏng manh hơn vẻ ngoài của nó.

Hai kiến trúc trông giống nhau

Gạt bỏ yếu tố thương hiệu, các bảng thông số còn trùng nhau nhiều hơn bất kỳ màn so kè nào khác trong loạt bài này.

• Tham số — DaisyRose 27B 27.8B dense, trong đó 0.46B là bộ mã hóa thị giác và 0.42B là đầu dự đoán đa token, so với Gemma 4 31B ở mức 30.7B dense với bộ mã hóa thị giác khoảng 550M tham số. Không bên nào có định tuyến chuyên gia, nên số tham số hoạt động bằng tổng số tham số ở cả hai bên.

• Ngữ cảnh — 262,144 token cho DaisyRose 27B; 256K cho Gemma 4 31B. Trên thực tế, cùng một giới hạn.

• Phương thức — đầu vào văn bản và hình ảnh, đầu ra văn bản, ở cả hai. Âm thanh không khả dụng ở cả hai kích cỡ; về phía Gemma, tính năng này chỉ giới hạn ở các thành viên E2B, E4B và 12B của dòng mô hình.

• Giấy phép — Apache 2.0 trên cả hai, được nêu trên cả hai thẻ mô hình.

• Kỹ thuật ngữ cảnh dài — Gemma 4 31B đạt được điều đó với 60 lớp, một cửa sổ trượt cục bộ 1.024 token xen kẽ với cơ chế chú ý toàn cục đầy đủ, khóa và giá trị được hợp nhất trong các lớp toàn cục cùng RoPE tỷ lệ. DaisyRose 27B kế thừa nguyên vẹn kiến trúc của Qwen3.8-27B, tức cùng một ý tưởng chú ý lai nhưng được đạt tới từ một dòng dõi thiết kế khác.

Hai điểm mà chúng thực sự khác nhau lại chính là những điểm quyết định mục đích của mô hình. Gemma 4 31B đi kèm chế độ suy nghĩ có thể cấu hình, khả năng gọi hàm gốc và hỗ trợ tường minh cho vai trò hệ thống. DaisyRose 27B đi kèm một mẫu trò chuyện giống hệt mẫu của mô hình cơ sở và một quá trình huấn luyện đã dồn toàn bộ ngân sách vào hành vi liên quan đến terminal và công cụ thay vì vào độ bao quát.

Hàng duy nhất mà họ chia sẻ

GPQA Diamond, 198 câu hỏi khoa học ở trình độ sau đại học, là benchmark duy nhất mà cả hai card đều công bố, và các cấu hình đằng sau hai con số đó không phải là cùng một phép đo.

{{2}}90.7{{/2}} của {{1}}DaisyRose 27B{{/1}} đến từ tám lần chạy trên 198 câu hỏi bằng mẫu {{3}}simple-evals{{/3}}, với thứ tự câu trả lời được xáo trộn lại mỗi lần, được báo cáo là kết quả tốt hơn giữa các lần chạy {{4}}BF16{{/4}} và {{5}}FP8{{/5}} của nó. {{7}}84.3{{/7}} của {{6}}Gemma 4 31B{{/6}} là một con số duy nhất trên thẻ mô hình của Google, không ghi rõ số lần chạy và không ghi rõ harness trong chính bảng.

Vậy khoảng cách là thật ở chỗ cả hai nhà cung cấp đều công bố một con số dưới cùng một tên benchmark, và không vững ở chỗ một bên có tám lần chạy cùng một giao thức xáo trộn, trong khi phương pháp của bên kia chỉ là một chú thích cuối trang. Sáu phẩy năm điểm tương đương khoảng ba mươi ba câu hỏi trong số 198. Con số đó lớn hơn nhiễu lấy mẫu trên một bộ 198 câu hỏi, nhưng chênh lệch harness cỡ đó không phải chưa từng có, và cả hai nhà cung cấp đều chưa chạy đánh giá của bên kia.

Điều khiến hàng này thú vị hơn một con điểm đơn lẻ là vị trí của nó so với mức nền của từng mô hình. DaisyRose 27B cải thiện GPQA Diamond từ 89,2 lên 90,7 so với Qwen3.8-27B — mức tăng 1,5 điểm nhờ mười tám ngày học tăng cường. Gemma 4 31B đạt 84,3 điểm, cao hơn 2 điểm so với mức 82,3 của người anh em 26B A4B cùng dòng. Trên bộ đánh giá này, cả hai mô hình đều gần với vị trí mà quá trình tiền huấn luyện đã đặt chúng, và giai đoạn hậu huấn luyện không làm dịch chuyển đáng kể mô hình nào. Nếu bạn đang cân nhắc giữa hai mô hình này về khoa học sau đại học, khoảng cách sáu điểm chủ yếu là khoảng cách của mô hình nền chứ không phải khoảng cách về công thức huấn luyện.

A screenshot of the Hugging Face model card for google/gemma-4-31B-it showing the repository header, the dense 30.7B description, the 256K-token context, the Apache 2.0 licence and the benchmark comparison table against Gemma 4 26B A4B.

Những bảng mà chỉ có một bên điền vào

Ở đây, việc so sánh không còn là so sánh nữa mà trở thành một sự lựa chọn bằng chứng. Google đã công bố một bảng năng lực tổng quát và RadixArk đã công bố một bảng năng lực tác tử, và hai bảng này không trùng lặp với nhau.

Thẻ của Gemma 4 31B ghi MMLU Pro 85.2, AIME 2026 không dùng công cụ 89.2, LiveCodeBench v6 80.0, Codeforces ELO 2150, Tau2 76.9, HLE không dùng công cụ 19.5 và có tìm kiếm 26.5, BigBench Extra Hard 74.4, MMMLU 88.4, MMMU Pro 76.9, MATH-Vision 85.6, MedXPertQA MM 61.3, OmniDocBench 1.5 ở 0.131, và MRCR v2 ở tám needle và ngữ cảnh 128K 66.4. Không có dòng Terminal Bench, không có dòng SWE-bench và không có dòng IFBench.

Thẻ mô hình của DaisyRose 27B ghi 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, cùng với HLE chỉ văn bản đạt 34,3 và GPQA Diamond đạt 90,7. Không có MMLU Pro, không có AIME, không có Codeforces và không có dòng benchmark thị giác nào cả — dù mô hình có mang bộ mã hóa thị giác.

Hai sự bất đối xứng trong cặp so sánh đó đáng được gọi tên. Thứ nhất là HLE: RadixArk báo cáo 34,3 khi không dùng công cụ, G​oogle báo cáo 19,5 khi không dùng công cụ và 26,5 khi có tìm kiếm. Ngay cả khi trao cho Gemma 4 31B cấu hình có công cụ hỗ trợ, con số của DaisyRose 27B vẫn cao hơn gần tám điểm — nhưng người chấm khác nhau, vì RadixArk dùng GPT-6 Luna trên năm lần chạy cho mỗi bài toán trong khi G​oogle không nêu rõ thiết lập chấm điểm của mình. Thứ hai là thị giác: DaisyRose 27B đi kèm bộ mã hóa thị giác 0,46B và không công bố bất kỳ benchmark thị giác nào, nên năng lực đa phương thức của nó chưa được đo lường công khai. Gemma 4 31B công bố MMMU Pro, MATH-Vision, OmniDocBench và MedXPertQA. Nếu bạn cần hiểu hình ảnh, một trong hai mô hình này có bằng chứng còn mô hình kia chỉ có một bộ mã hóa.

Bộ nhớ, định dạng và chi phí của mỗi lần tải xuống

Cả hai mô hình đều có dung lượng từ 52 đến 63 GB ở độ chính xác đầy đủ, điều này đặt chúng vào cùng một nhóm phần cứng và khiến danh sách định dạng trở thành phần hữu ích của phép so sánh.

• DaisyRose 27B — BF16 khoảng 52 GB, FP8 khoảng 29 GB, NVFP4 khoảng 23 GB và chỉ hỗ trợ Blackwell, cùng với RadixArk/Qwen3.8-27B-DSpark làm mô hình nháp giải mã suy đoán cho SGLang. Cấu hình tham chiếu là bốn bản sao song song dữ liệu trên một nút bốn GPU với mức song song tensor bằng 1, ngữ cảnh 262,144 token và bộ nhớ đệm KV FP8. RadixArk liệt kê triển khai trên một GPU với H200, B200, GB300, RTX PRO 6000, RTX 5090 và DGX Spark.

• Gemma 4 31B — bfloat16 trong hai shard safetensors khoảng 49,8 GB và 12,8 GB, tổng cộng khoảng 62,5 GB. Một bản GGUF Q4_0 QAT ở 17,7 GB cùng một vision projector 1,2 GB, khoảng 18,9 GB trước KV cache, qua đó đưa đỉnh dense của dòng Gemma lên một card tiêu dùng 24 GB. Một bản build compressed-tensors w4a16 QAT ở 23,3 GB cho vLLM, một checkpoint Q4_0 chưa lượng tử hóa mang trọng số QAT mà không đóng gói, và một drafter dự đoán đa token 0,94 GB.

Dòng GGUF chính là khác biệt cụ thể. Google phát hành một bản dựng 4-bit do chính họ tạo ra, vừa với một card 24 GB; RadixArk phát hành ba độ chính xác và kỳ vọng bạn phục vụ chúng qua SGLang. Với một đội có workstation và không có serving stack, đó không phải là quyết định khó — một bản tải về là chạy được, bản kia cần triển khai.

Một chi tiết đáng lưu ý: thẻ của Gemma yêu cầu một trợ lý giải mã suy đoán khớp với độ chính xác của checkpoint mục tiêu, vì vậy mô hình nháp 0,94 GB đi cặp với mục tiêu QAT 31B thay vì bản phát hành bfloat16. Mô hình nháp của RadixArk được đặt tên theo Qwen3.8-27B và đi cặp với bản dựng FP8 riêng của DaisyRose 27B.

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 31B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; training RL only, 63,000 GPU-hours; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; formats BF16, FP8, NVFP4. Right column Gemma 4 31B: parameters 30.7B dense; training general pretrain plus post-train; context 256K tokens; GPQA Diamond 84.3; HLE no tools 19.5; formats BF16, QAT Q4_0 GGUF, w4a16. A footer reads 'Both vendor-reported; only GPQA Diamond is published on both cards.' The OrcaRouter logo sits in the bottom-right.

Chi phí, và cái có giá.

Gemma 4 31B đã có mặt trên OrcaRouter ngay hôm nay với tên google/gemma-4-31b-it ở mức 0,13 USD mỗi triệu token đầu vào và 0,38 USD mỗi triệu token đầu ra, cùng khả năng suy luận có thể cấu hình, gọi hàm gốc và ngữ cảnh 256K. Hậu tố -it là một phần của chuỗi mà máy khách truyền vào.

DaisyRose 27B không có giá do nhà cung cấp vận hành. Trang web của RadixArk mô tả việc huấn luyện và phục vụ cho các phòng thí nghiệm khác và không công bố endpoint DaisyRose nào; model card chỉ hướng đến tự vận hành qua SGLang, vLLM và Docker. Các danh sách bên thứ ba báo giá $0.15 mỗi triệu đầu vào và $1.88 mỗi triệu đầu ra, đây là mức giá mở đầu của một nhà lưu trữ chứ không phải giá của nhà cung cấp.

Đặt những con số đó cạnh nhau, và phép so sánh trên dịch vụ hosted lại đi ngược với bảng benchmark: Gemma 4 31B ở mức mười ba xu mỗi triệu token đầu vào so với mười lăm xu của một nhà cung cấp bên thứ ba, nhưng là ba mươi tám xu so với một đô-la tám mươi tám ở đầu ra. Trên một khối lượng công việc nặng về sinh nội dung, đó là mức chênh lệch gấp năm lần nghiêng về mô hình lớn hơn, và nó tồn tại vì một lý do mang tính cấu trúc — Gemma 4 31B đã có một tầng hosted ổn định với nhiều nhà cung cấp cùng cạnh tranh trên đó, trong khi DaisyRose 27B chỉ có một nhà cung cấp và ba ngày lịch sử.

A screenshot of the OrcaRouter model catalogue page for google/gemma-4-31b-it showing the model listing, the 30.7B dense description, the 256K-token context and the per-million-token pricing.

Mỗi mô hình được xây dựng cho công việc nào

Tóm tắt một cách trung thực là các mô hình này không cạnh tranh cho cùng một thương vụ mua hàng, và các bảng điểm chuẩn chứng minh điều đó bằng cách từ chối chồng lấn.

Gemma 4 31B là mô hình bạn muốn nếu cần độ bao phủ: chế độ suy nghĩ có thể giảm xuống, gọi hàm hoạt động với các schema công cụ hiện có, hơn 140 ngôn ngữ, đánh giá thị giác được công bố, bản dựng lượng tử hóa chạy trên máy trạm, và giá dịch vụ lưu trữ là mười ba xu mỗi triệu token đầu vào. Đây là lựa chọn an toàn cho một sản phẩm tổng quát, và chi phí khi chọn sai chỉ là vài đô la chi tiêu API.

DaisyRose 27B là mô hình bạn muốn nếu đang xây dựng một tác nhân terminal và có thể tự vận hành nó. Chỉ số Terminal Bench 4.1 của nó cao hơn gấp đôi mô hình nền tảng của chính nó, SWE Bench Pro v2 đạt 94.7, và IFBench ở 82.4 là cao nhất trên bảng so sánh của RadixArk. Mọi con số đó đều do nhà cung cấp báo cáo, chưa có con số nào được tái lập độc lập, và mô hình mới ra mắt được ba ngày. Nhưng dạng tuyên bố đủ cụ thể để kiểm chứng: hãy chạy các dấu vết tác nhân của riêng bạn với Qwen3.8-27B — có sẵn 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 tháp thị giác — rồi xem liệu chế độ lỗi mà RadixArk đã huấn luyện để loại bỏ có phải là cái bạn thực sự gặp phải không.

Đó cũng là cách rẻ nhất để quyết định giữa hai lựa chọn này. Gemma 4 31B và Qwen3.8-27B nằm sau một khóa OrcaRouter mà không cần hợp đồng thứ hai và không cần thay đổi mã, với mức tăng giá 0% so với giá niêm yết của từng nhà cung cấp, nên thay đổi giá ở bên nào cũng sẽ đến với bạn ngay ngày nó có hiệu lực. Nếu Gemma 4 31B đảm nhận vòng lặp tác nhân của bạn, bạn xong việc chỉ với mười ba xu. Nếu không, và mô hình cơ sở thất bại ở cùng một chỗ, thì một đợt hậu huấn luyện RL kéo dài mười tám ngày trên H200 là thứ tiếp theo đáng để chi tiền — và đến lúc đó bạn sẽ biết mình mua nó để sửa cái gì.