
DaisyRose 27B so với Granite 4.2 30B: 46 điểm, hai bộ khung đánh giá
- 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 Granite 4.2 30B đều báo cáo điểm số trên Terminal Bench 2.1. DaisyRose 27B, bản hậu huấn luyện chỉ bằng học tăng cường của RadixArk đối với Qwen3.8-27B, được công bố ngày 18 tháng 11 năm 2026, đạt 75,5 so với 73,0 của mô hình nền tảng. Granite 4.2 30B, mô hình dense 30 tỷ tham số của IBM phát hành ngày 25 tháng 8 năm 2026, đạt 29,24. Đó là khoảng cách 46 điểm trên cùng một tên benchmark, giữa hai mô hình dense có kích thước gần như tương đương, và kết luận tự nhiên — rằng DaisyRose 27B giỏi hơn gấp hai lần rưỡi trong công việc terminal tác tử — gần như chắc chắn là sai. Hai con số không được tạo ra theo cùng một cách, và trang này phần lớn nói về việc làm thế nào một khoảng cách 46 điểm có thể nhỏ hơn vẻ ngoài của nó.
Hai mô hình có nhiều điểm chung hơn khoảng cách đó gợi ý: cả hai đều là mô hình dense, đều khoảng 30 tỷ tham số, đều dùng Apache 2.0, đều là các bản phát hành trọng số mở không có giá API do nhà cung cấp tự vận hành để trích dẫn, đều được huấn luyện riêng cho việc sử dụng công cụ theo kiểu tác tử bên trong sandbox. Đây là cặp khớp nhau sát nhất trong loạt này về kiến trúc và mục đích, và chính vì thế các con số trên card của chúng đáng được đọc kỹ thay vì trừ đi.
Giải phẫu của khoảng cách 46 điểm
Hãy bắt đầu với những gì mỗi nhà cung cấp nói về cách con số được tạo ra, vì cả hai tấm thẻ đều đặc biệt rõ ràng và chúng mô tả những phép đo khác nhau.
• DaisyRose 27B — năm lần chạy cho mỗi tác vụ trên harness Terminus 2. Thẻ so sánh liệt kê Terminus 2 một cách rõ ràng và nêu số lần chạy. Cấu hình lấy mẫu là temperature 1.0, top_p 0.95, top_k 20, mức nỗ lực suy luận xhigh, và điểm được công bố là điểm tốt hơn trong các lần chạy BF16 và FP8.
• Granite 4.2 30B — 29.24 trên Terminal-Bench 2.1, được báo cáo dưới dạng một hàng duy nhất trong bảng trên model card. Model card ghi lại chi tiết quá trình huấn luyện agentic của dòng mô hình — một lượt tinh chỉnh có giám sát thứ hai trên dữ liệu kỹ thuật phần mềm agentic đã được up-sample, sau đó là học tăng cường agentic bên trong sandbox thực hiện các tác vụ kiểu SWE-bench, thao tác terminal và tìm kiếm web — nhưng bản thân hàng Terminal-Bench không nêu số lần chạy, không có tên harness và không có cấu hình sampling.
Sự bất đối xứng đó chính là toàn bộ câu chuyện của 46 điểm. Một nhà cung cấp công bố điểm số được đo đạc kỹ lưỡng ở mức nỗ lực suy luận tối đa qua năm lần chạy; bên còn lại công bố một ô trong bảng. Kết quả Terminal-Bench ở mức nỗ lực suy luận xhigh có thể lệch hàng chục điểm so với cùng mô hình ở cài đặt mặc định, vì bài đánh giá là một chuỗi lệnh shell, nơi một mô hình suy nghĩ lâu hơn có thêm nhiều lần thử để phục hồi sau sai lầm của chính nó. So sánh một con số nỗ lực tối đa, nỗ lực cao, qua năm lần chạy với một con số đơn lẻ không kèm điều kiện gì thì không phải là so sánh gì cả.
Có một sự bất đối xứng thứ hai, tinh tế hơn và thú vị hơn. Mô hình nền tảng của chính DaisyRose 27B, Qwen3.8-27B, đạt 73,0 trên cùng hàng của cùng thẻ. Vì vậy, quá trình hậu huấn luyện của RadixArk đã cải thiện Terminal Bench 2.1 thêm 2,5 điểm, trong khi khoảng cách 46 điểm so với Granite gồm 44 điểm là khác biệt về mô hình nền tảng và 2 điểm là huấn luyện. Mọi thứ phân tách hai nhà cung cấp này trên benchmark này đều nằm ở điểm xuất phát, không phải ở học tăng cường.
Nơi những chiếc bàn gặp nhau
Có thêm hai hàng được chia sẻ, và cả hai đều dễ so sánh hơn Terminal-Bench.
• GPQA Diamond — DaisyRose 27B đạt 90,7 qua tám lần chạy trên 198 câu hỏi với thứ tự câu trả lời được xáo trộn lại; Granite 4.2 30B đạt 66,41. Một khoảng cách 24 điểm mà không khác biệt nào về harness có thể giải thích một cách hợp lý. Điểm cơ sở của DaisyRose là 89,2, vì vậy quá trình hậu huấn luyện đã cộng thêm 1,5 điểm cho một mô hình cơ sở vốn đã dẫn trước rất xa.
• IFBench — DaisyRose 27B đạt 82,4 qua bốn lần chạy trên 300 prompt với bộ chấm điểm chính thức của allenai, độ chính xác nghiêm ngặt ở cấp độ prompt, loại trừ phần thinking; Granite 4.2 30B đạt 77,17, được ghi nhãn "prompt" trên thẻ. Khoảng cách 5 điểm, và đây là thứ gần nhất với một thế hòa thực sự trên cả hai thẻ.
Con số GPQA là con số nên khiến người đọc nghĩ khác đi về cuộc đối đầu này. Granite 4.2 30B là mô hình IBM xây dựng cho công việc agentic trong doanh nghiệp — mười hai ngôn ngữ được kiểm thử, ba chế độ suy luận, gọi công cụ, ngữ cảnh gốc 128K có thể mở rộng lên 512K — và nó đạt 66.41 ở khoa học trình độ sau đại học. DaisyRose 27B đạt 90.7. Dù có những lưu ý nào về harness trên Terminal-Bench, các câu hỏi khoa học sau đại học không có harness nào có thể làm lệch 24 điểm, và cách diễn giải trung thực là mô hình nền của RadixArk, Qwen3.8-27B với 89.2, đơn giản là một mô hình suy luận mạnh hơn mô hình nền mà IBM khởi đầu.

Hai ý tưởng rất khác nhau về huấn luyện agentic
Cả hai mô hình đều được huấn luyện để hoạt động bên trong một sandbox, và hai phần mô tả về quá trình huấn luyện đó là phần hé lộ nhiều nhất trên mỗi thẻ.
Cách tiếp cận của RadixArk là thay đổi càng ít càng tốt. DaisyRose 27B giữ nguyên kiến trúc, tokenizer, chat template, vision tower và ngữ cảnh 262.144 token của Qwen3.8-27B, đồng thời áp dụng học tăng cường trên khoảng 1.200 tác vụ dài hạn được tuyển chọn kỹ lưỡng, xây dựng với Eigent AI — những tác vụ được thiết kế để nối chuỗi nhiều vấn đề, chống lại reward hacking và chạy trong các phiên lên tới một triệu token. Mười tám ngày, 144 H200, 63.000 giờ GPU, khoảng 944.000 sandbox. Không tinh chỉnh có giám sát, không chưng cất.
Cách tiếp cận của IBM là thay đổi hành vi theo từng giai đoạn. Dòng Granite 4.2 30B đã trải qua lượt tinh chỉnh có giám sát thứ hai trên dữ liệu kỹ thuật phần mềm dạng tác tử được tăng mẫu, sau đó là học tăng cường tác tử, trong đó mô hình được chạy bên trong môi trường sandbox trên các tác vụ kiểu SWE-bench, thao tác terminal và tìm kiếm web. Thẻ mô hình nêu rõ rằng 30B là mô hình có hiệu năng mạnh nhất trong dòng đối với công việc đòi hỏi suy luận chuyên sâu và dạng tác tử. Thẻ cũng có bảng năng lực tổng quát đầy đủ, mười hai ngôn ngữ đã được thử nghiệm, ba chế độ suy nghĩ và chain-of-thought tích hợp sẵn.
Mô tả huấn luyện của cả hai nhà cung cấp đều không dự đoán được hồ sơ benchmark của bên kia, và đó chính là điều các bảng thể hiện: DaisyRose 27B dẫn đầu một cách dứt khoát ở các hàng nặng về lập luận và không công bố gì về đa ngôn ngữ hay thị giác; Granite 4.2 30B công bố trên toàn bộ bộ đánh giá doanh nghiệp — 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 — và đạt 66.41 ở nơi hai bên trùng nhau về khoa học.
Ngữ cảnh, bộ nhớ và câu chuyện triển khai
Phần mở rộng 512K của Granite là một điểm khác biệt thực sự mà không dòng benchmark nào thể hiện được, và đáng để nói chính xác về những gì card công bố: 128K gốc, "phần mở rộng ngữ cảnh dài lên 512K", với bảng mô hình liệt kê độ dài chuỗi là 131.072. Mở rộng không giống với gốc, và các con số RULER trên card cho thấy cái giá — 89,96 ở 64K so với 81,38 ở 128K trên cùng một mô hình. DaisyRose 27B lại ở thế ngược lại: một mức cố định 262.144 token, không có biến thể ngữ cảnh dài, kế thừa từ Qwen3.8-27B, và RadixArk lưu ý rằng các lượt suy nghĩ dài của chính nó đạt tới hàng chục nghìn token, và đó chính là nơi phần lớn cửa sổ đó được dùng trên thực tế.
Trọng số DaisyRose 27B — BF16 khoảng 52 GB, FP8 khoảng 29 GB, NVFP4 khoảng 23 GB và chỉ chạy trên Blackwell, cùng với mô hình nháp giải mã suy đoán Qwen3.8-27B-DSpark. RadixArk khuyến nghị dùng SGLang với DSpark và công bố cấu hình tham chiếu bốn GPU với bộ đệm KV FP8.
• Trọng số Granite 4.2 30B — khoảng 29B được lưu ở bfloat16, Apache 2.0, cùng với các bản lượng tử hóa FP8, NVFP4/MXFP4 và GGUF được phát hành song song với bản BF16. Ở dạng dense 30B, nó nằm gần cùng phân khúc bộ nhớ như bản dựng BF16 của DaisyRose, nên không bên nào có lợi thế về dung lượng bộ nhớ đáng để tranh cãi.
Sự khác biệt khi triển khai nằm ở mức độ hỗ trợ, không phải ở kích thước. Granite 4.2 30B đã có thể tải xuống và chạy được trong ba tháng, đã có các bản lượng tử hóa do IBM phát hành cho nhiều runtime và có một hệ sinh thái những người đã từng gặp các chế độ lỗi của nó. DaisyRose 27B mới ra mắt được ba ngày, có ba mức độ chính xác, một đường phục vụ được khuyến nghị và chưa công bố số liệu thông lượng nào cho bất kỳ cấu hình phần cứng nào.

Cả hai đều không nằm trên endpoint được host ở đây.
Đây là phần kém thỏa đáng nhất trong phần so sánh và đáng nói thẳng rằng: cả DaisyRose 27B lẫn Granite 4.2 30B đều không xuất hiện trên danh mục của OrcaRouter tại thời điểm viết bài. RadixArk không công bố API DaisyRose được lưu trữ nào và chỉ hướng tới SGLang, vLLM và Docker; Granite 4.2 30B của IBM là bản phát hành trọng số mở mà con đường thực tế là tự lưu trữ, không có mức giá nhà cung cấp nào để trích dẫn. Các danh sách bên thứ ba cho DaisyRose báo giá $0.15 mỗi triệu token đầu vào và $1.88 mỗi triệu token đầu ra, đây là mức giá khởi điểm của một nhà lưu trữ chứ không phải giá của nhà cung cấp và nên được hiểu đúng như vậy.
Điều đó có nghĩa đối với một người đọc đang cố đưa ra quyết định là cuộc so sánh này không thể được giải quyết chỉ bằng cách đổi một URL cơ sở. Cả hai mô hình đều cần GPU, và lời khuyên trung thực là hãy chạy thử nghiệm rẻ hơn trước: nếu khối lượng công việc của bạn phù hợp với ngữ cảnh gốc 128K của Granite 4.2 30B và bảng năng lực đã công bố của nó, thì mô hình này đã có ba tháng sai sót của người khác ở phía sau, và bạn có thể biết trong một ngày liệu nó có thất bại trên các tác vụ của bạn hay không.
Điều gì sẽ khiến sự so sánh này trở nên thực tế?
Một lần chạy trên cùng một harness sẽ giải quyết được phần lớn vấn đề trên trang này. Terminal-Bench là công khai, các tác vụ đã cố định, và cả hai mô hình đều tải trong các runtime gần với llama.cpp ở độ chính xác tương đương. Nếu ai đó công bố DaisyRose 27B và Granite 4.2 30B trên cùng một harness với cùng thiết lập lấy mẫu, khoảng cách 46 điểm sẽ thu lại thành đúng giá trị thực của nó — có lẽ nằm đâu đó giữa các con số của hai nhà cung cấp, vì của DaisyRose là best-of-two ở mức xhigh effort còn của Granite thì không có điều kiện kèm theo.
Cho đến lúc đó, cách diễn giải có thể biện minh được là hẹp hơn và vẫn hữu ích: ở mức khoa học trình độ sau đại học, nơi các bộ khung đánh giá ít quan trọng nhất, mô hình của RadixArk vượt xa mô hình của IBM, với khoảng cách mà cả số lần chạy lẫn việc xáo trộn thứ tự câu trả lời đều không thể giải thích được. Về khả năng tuân theo chỉ dẫn, hai mô hình gần như ngang nhau. Về công việc tác nhân trên terminal, không ai có thể nói chắc, và khoảng cách 46 điểm đã công bố đo lường hai cách thiết lập đánh giá ít nhất cũng nhiều như đo lường hai mô hình.
Đối với một đội đang đưa ra lựa chọn ngay hôm nay, quyết định không nằm ở bảng benchmark mà ở độ trưởng thành. Granite 4.2 30B là một mô hình doanh nghiệp đã hoàn thiện, có tài liệu, đã ra mắt được ba tháng, với các bản lượng tử hóa và một bảng đa ngôn ngữ. DaisyRose 27B là một thử nghiệm học tăng cường mới mười tám ngày, với một bộ số liệu ấn tượng từ nhà cung cấp, chỉ một hàng chung hỗ trợ chúng, và không có bất kỳ hình thức tái lập độc lập nào. Nếu khối lượng công việc là sản xuất và hạn chót là ngay bây giờ, chính sự khác biệt đó quyết định. Nếu khối lượng công việc là một agent bạn kiểm soát và bạn có đủ khả năng để benchmark, các hàng GPQA và IFBench của DaisyRose 27B là lý do đủ để đặt nó trên cùng harness với mô hình bạn đang chạy hôm nay và xem điều gì xảy ra.
