Một thẻ tiêu đề được tạo ghi 'DaisyRose 27B vs ZWZ2 27B' với phụ đề 'Trung bình so với tiên phong', một thẻ bên trái liệt kê DaisyRose-27B trên nền Qwen3.8-27B, bảy benchmark được báo cáo và con số nổi bật Terminal Bench 4.1 trên 12.0, một thẻ bên phải liệt kê ZwZ2-27B trên nền Qwen3.6-27B, hai mươi lăm benchmark được báo cáo và điểm trung bình nổi bật là 60.51, một chân trang ghi 'Cả hai bảng đều do nhà cung cấp báo cáo; cách nhau một thế hệ nền tảng', và logo OrcaRouter.
Guides & Insights

DaisyRose 27B vs ZWZ2 27B: Trung bình so với Tiên phong

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

Đặt DaisyRose-27B và ZWZ2-27B cạnh nhau và bạn sẽ có hai đợt hậu huấn luyện bằng học tăng cường thực thụ trên các checkpoint Q​wen, được phát hành cách nhau ba tuần vào mùa thu năm 2026, được báo cáo theo hai phong cách hoàn toàn khác nhau. DaisyRose-27B, từ RadixArk vào ngày 18 tháng 11 năm 2026, gồm bảy benchmark so với Qwen3.8-27B, với mức tăng tương đối lớn nhất nằm ở bài khó nhất. ZWZ2-27B, từ inclusionAI, gồm hai mươi lăm benchmark trên sáu lĩnh vực so với Qwen3.6-27B, được báo cáo dưới dạng điểm trung bình tăng từ 55.52 lên 60.51.

Một phòng thí nghiệm công bố một mô hình tiên phong. Phòng còn lại công bố một mức trung bình. Đó không phải cùng một kiểu tuyên bố, và sự khác biệt cho bạn biết nhiều hơn về mục đích của từng mô hình so với bất kỳ con số đơn lẻ nào trong cả hai bảng.

Các căn cứ khác nhau, cách nhau một thế hệ

Sự thật quan trọng nhất trong màn so tài này là hai mô hình không có chung tổ tiên. ZWZ2-27B được xây dựng trên Qwen3.6-27B; DaisyRose-27B được xây dựng trên Qwen3.8-27B. Điều đó cách nhau một thế hệ nền tảng, và có nghĩa là màn đối đầu trực tiếp mà một trang "vs" thường thực hiện hoàn toàn không có ở đây — không phải vì thiếu số liệu, mà vì đánh bại một nền tảng thế hệ trước nói lên điều gì đó khác với đánh bại nền tảng hiện tại.

Thẻ của chính ZWZ2-27B nói rõ điều này khi báo cáo mọi mức tăng so với Qwen3.6-27B. Thẻ của DaisyRose-27B báo cáo so với Qwen3.8-27B. Người đọc so sánh hai con số cải thiện đang so sánh một cải thiện so với nền cũ hơn với một cải thiện so với nền mới hơn, và nền mới hơn vốn đã khởi đầu cao hơn. Không phép tính nào khắc phục được điều đó, và không bài viết trung thực nào nên cố làm vậy.

Cách ZWZ2 tự báo cáo về chính nó

Đánh giá của ZwZ2-27B được tổ chức theo lĩnh vực thay vì theo độ khó của benchmark. Hai mươi lăm benchmark được nhóm thành sáu lĩnh vực, mỗi lĩnh vực có điểm trung bình trước và sau riêng:

• Nhận thức chi tiết mịn — 62,09 đến 67,57, mức tăng 5,48 trên tám bộ đánh giá bao gồm VStar, HR-Bench 8K và MME-RealWorld.

• Lý luận không gian — 49,72 đến 55,98, tăng 6,26, mức tăng lớn nhất trong lĩnh vực.

• Suy luận thị giác tổng quát — 47,89 đến 53,71, tăng 5,82, bao trùm MMStar và BabyVision.

• Không gian nhập thể — 50,17 đến 55,71, tăng 5,54.

• Ngữ cảnh dài — 65,87 đến 68,77, tăng 2,90.

Tác nhân đa phương thức — 49,73 đến 51,81, tăng 2,08, mức tăng nhỏ nhất và cũng là mức tăng đáng nói nhất.

Giá trị trung bình tổng thể tăng từ 55.52 lên 60.51, tức tăng 4.99, và inclusionAI tuyên bố rằng mô hình đã tinh chỉnh vượt qua mô hình gốc trên cả 25 bộ đánh giá. Đó là một tuyên bố mạnh về tính nhất quán và một tuyên bố yếu về bất kỳ năng lực cụ thể nào, vì giá trị trung bình trên 25 bài kiểm tra bị chi phối bởi những bài kiểm tra mà mô hình vốn đã làm tốt.

Cách DaisyRose tự báo cáo về chính mình

RadixArk đi theo cách tiếp cận ngược lại: bảy benchmark, mỗi benchmark được báo cáo riêng, với điểm của mô hình cơ sở bên cạnh. Terminal Bench 4.1 tăng từ 5.6 lên 12.0, Terminal Bench 2.1 từ 73.0 lên 75.5, DeepSWE v1.1 từ 42.2 lên 46.2, SWE Bench Pro v2 từ 91.3 lên 94.7, Humanity's Last Exam từ 33.9 lên 34.3, IFBench từ 79.5 lên 82.4, GPQA Diamond từ 89.2 lên 90.7.

Không có giá trị trung bình nào được đưa ra, và đó chính là điểm mấu chốt. Mức tăng nổi bật, hơn gấp đôi trên Terminal Bench 4.1, là mức tăng từ một nền rất thấp — 5.6 gần với sàn. Hai benchmark mà nền tảng vốn đã mạnh, HLE và GPQA Diamond, gần như không thay đổi. Đọc như một tập hợp, bảng này cho thấy quá trình tinh chỉnh đã mang lại năng lực agentic và để yên cho suy luận tổng quát, đúng như điều mà một phần thưởng xây dựng trên các tác vụ tác nhân dài hạn nên tạo ra.

A generated two-column scoreboard. DaisyRose-27B: base model Qwen3.8-27B, benchmarks published 7, Terminal Bench 4.1 5.6 to 12.0, Humanity's Last Exam 34.3, reporting style individual rows, context 262,144. ZwZ2-27B: base model Qwen3.6-27B, benchmarks published 25, reporting style domain means, context 262,144. Footer reads 'Vendor-reported; the two bases are one generation apart.'

Điều mà mức trung bình của 25 bài kiểm chuẩn che giấu

Các hàng có điểm tuyệt đối yếu nhất của ZWZ2-27B mới là những hàng đáng chú ý, và thẻ mô hình của chính nó công bố chúng: Chartography 12.00, AgentVista 18.18, Perception-Bench 44.93 và ScreenSpot-Pro 70.59. Chúng nằm cạnh mức trung bình theo lĩnh vực ở khoảng năm mươi và sáu mươi, nghĩa là giá trị trung bình đang được giữ lên nhờ những benchmark mà mô hình làm tốt, còn những benchmark thực sự khó thì gần sàn.

Đó là điều bình thường đối với một post-train và không nên bị coi là một khiếm khuyết. Tuy nhiên, đó chính xác là thông tin mà một giá trị trung bình xóa mất. Một nhóm đọc "60.51" và kỳ vọng một mô hình giỏi 60% ở mọi thứ sẽ bị bất ngờ nặng nề bởi Chartography ở mức 12. Một nhóm đọc các hàng theo từng benchmark sẽ biết ngay những khối lượng công việc nào của mình mà mô hình này chưa được huấn luyện.

{{1}}Lưu ý tương tự cũng áp dụng theo chiều ngược lại đối với DaisyRose-27B. Điểm Terminal Bench 4.1 của nó là 12.0, một mức tăng tương đối lớn nhưng kết quả tuyệt đối lại kém, và tấm thẻ trung thực về cả hai điều này. Con số nổi bật của cả hai mô hình đều không đứng vững khi đối chiếu với chính các dòng chi tiết của mô hình đó.{{/1}}

Kiến trúc và giấy phép

Cả hai đều kế thừa nguyên vẹn cấu hình cơ sở của mình. ZWZ2-27B mang cấu hình Qwen3.6-27B như đã công bố: kích thước ẩn 5.120, 64 lớp, 24 đầu truy vấn và 4 đầu khóa-giá trị ở chiều 256, FFN 17.408, mẫu chú ý tuyến tính-trên-đầy đủ lặp lại theo tỷ lệ ba-một mười sáu lần, M-RoPE xen kẽ với cơ số rope là mười triệu, từ vựng 248.320 và 262.144 vị trí gốc. Tháp thị giác của nó gồm 27 lớp với độ rộng 1.152 chiếu sang 5.120 với các patch 16 pixel và hợp nhất 2×2. Không có lớp dự đoán đa token — cấu hình đặt giá trị đó bằng không — và trọng số BF16 có dung lượng khoảng 54 GB trải trên hai shard, với transformers 5.13.1 là đường dẫn được tài liệu hóa.

DaisyRose-27B mang cấu hình Qwen3.8-27B: cùng kích thước ẩn và số lớp, attention tuyến tính Gated DeltaNet theo cùng mẫu ba-một, một bộ mã hóa thị giác 0,46B và một đầu dự đoán 0,42B mà ZWZ2-27B không có. Ngữ cảnh là 262.144 cho cả hai. DaisyRose được phát hành ở BF16 khoảng 52 GB, FP8 29 GB và NVFP4 23 GB với cấu hình phục vụ SGLang đầy đủ; ZwZ2-27B chỉ phát hành BF16.

• Giấy phép — Apache-2.0 cho cả hai, được kế thừa từ nền tảng cơ sở của chúng.

• Vision — cả hai đều nhận hình ảnh và trả về văn bản; không bên nào chỉ xử lý văn bản.

• Lượng tử hóa — ba định dạng cho DaisyRose-27B, chỉ BF16 dành cho ZwZ2-27B.

• Tài liệu phục vụ — công thức SGLang chi tiết với giải mã suy đoán cho DaisyRose-27B; hướng dẫn nhanh transformers cho ZwZ2-27B.

• Đánh giá độc lập — chưa có cho cả hai mô hình tại thời điểm viết bài.

Screenshot of the RadixArk release post for DaisyRose-27B captured 21 November 2026, dated November 18, 2026 and headed 'DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency', stating that the model is built on Qwen3.8-27B and trained with reinforcement learning on long-horizon agent tasks with sessions up to 1M tokens, using 1,200 curated tasks in 18 days on 144 GPUs.

Câu hỏi về nhận thức

Mức tăng của ZwZ2-27B tập trung vào tri giác và suy luận không gian: tri giác chi tiết tăng 5,48, không gian tăng 6,26, không gian hiện thân tăng 5,54, các benchmark độ phân giải cao như HR-Bench 8K nằm trong nhóm đầu tiên đó. DaisyRose-27B không báo cáo benchmark tri giác nào cả. Bộ mã hóa thị giác của nó được kế thừa và không bị động đến, và không có gì trong thẻ gợi ý rằng phần thưởng đã định hình nó.

Sự bất đối xứng đó chính là quyết định. Nếu công việc của bạn là ảnh chụp màn hình, biểu đồ dày đặc, trang quét hay bố cục không gian, thẻ của ZwZ2-27B giải quyết trực tiếp điều đó còn thẻ của DaisyRose-27B thì không. Nếu công việc của bạn là terminal, kho mã nguồn hay một phiên gọi công cụ dài, điều ngược lại là đúng: thẻ của DaisyRose-27B đầy đúng những hàng đó và lĩnh vực yếu nhất của ZwZ2-27B là các tác nhân đa phương thức với điểm trung bình 51.81.

Không có tấm thẻ nào là bằng chứng tốt hơn tấm kia. Chúng là bằng chứng về những điều khác nhau, được tạo ra theo các giao thức khác nhau, và cách phản hồi đúng là đọc từng tấm thẻ theo câu hỏi mà nó được tạo ra để trả lời.

Chạy chúng và trộn chúng

Hiện nay, cả DaisyRose-27B lẫn ZwZ2-27B đều không được lưu trữ trên OrcaRouter. Cả hai đều là các trọng số mà bạn tự phục vụ hoặc truy cập thông qua các nền tảng bên thứ ba, nghĩa là cả hai cùng mang một vấn đề vận hành: hai checkpoint, hai triển khai, hai bộ quyết định về năng lực, và không có cách nào gửi yêu cầu đến bất kỳ cái nào hiện đang sẵn có.

Đó chính là trường hợp mà định tuyến được sinh ra để xử lý. Khi hai mô hình chia tách khối lượng công việc theo một ranh giới rõ ràng — nhận thức ở một bên, hành động tác tử ở bên kia — thì ứng dụng cuối cùng vẫn phải phân loại yêu cầu và gọi hai điểm cuối khác nhau. DSL định tuyến của OrcaRouter cho phép việc phân loại đó nằm ở một nơi, kết hợp hai mô hình thành một đường gọi duy nhất, với cơ chế chuyển đổi dự phòng tự động để một triển khai tự lưu trữ đang quá tải chuyển sang điểm cuối thứ hai thay vì trả về lỗi. Với một cặp mô hình mới đến vậy và được tài liệu hóa sơ sài đến vậy, chuyển đổi dự phòng không hẳn là về thời gian hoạt động mà là về việc không đặt cược một đường dây sản xuất vào các trọng số mới công khai được ba tuần. OrcaRouter cũng chuyển giá niêm yết của nhà cung cấp qua với mức đánh dấu 0% cho mọi thứ mà chúng tôi trực tiếp lưu trữ, nên phần được lưu trữ của một triển khai hỗn hợp được định giá theo giá gốc thay vì theo bội số.

Screenshot of the Hugging Face model page for inclusionAI/ZWZ2-27B captured 21 November 2026, showing 15 likes, the Image-Text-to-Text pipeline tag, Transformers and Safetensors formats, tags for inclusionAI/ZwZ2-RL-VQA, grpo and conversational, two arXiv links, and an Eval Results section.

Báo cáo nào đáng tin để bạn đưa ra quyết định?

Hãy chọn ZwZ2-27B nếu công việc của bạn ưu tiên nhận thức và bạn muốn một mô hình mà thẻ mô hình ghi lại điều đó trên hai mươi lăm bài đánh giá — và hãy đọc các hàng tuyệt đối, không phải giá trị trung bình. Hãy chọn DaisyRose-27B nếu công việc của bạn mang tính tác tử và bạn muốn một mô hình mà thẻ mô hình ghi lại một thay đổi hành vi cụ thể, có thể kiểm chứng so với mô hình nền mà nó xuất phát từ đó. Đừng chọn cả hai nếu bạn cần xác minh độc lập trước khi cam kết: cả hai bảng đều do nhà cung cấp báo cáo, cả hai đều không có điểm Artificial Analysis, và con số duy nhất mà đội mua sắm sẽ muốn — hiệu năng trên chính khối lượng công việc của bạn — không có trong cả hai tài liệu.

Cuộc so sánh thực sự quan trọng là cuộc so sánh tiếp theo. Cả hai phòng thí nghiệm đều đang ở mô hình đầu tiên của mình, cả hai đều được xây dựng trên các checkpoint Qwen, và cả hai đều dùng học tăng cường làm toàn bộ câu chuyện hậu huấn luyện. Nếu inclusionAI phát hành một ZwZ3 trên Qwen3.8-27B, hoặc RadixArk phát hành một DaisyRose thứ hai giữ nguyên công thức agent và bổ sung các hàng nhận thức, thì hai phong cách báo cáo sẽ cuối cùng gặp nhau trên một nền tảng chung và một cuộc đối đầu trực tiếp thực sự trở nên khả thi. Cho đến lúc đó, tóm tắt đúng là những mô hình này được đo lường cho các mục đích khác nhau, và sự khác biệt giữa một mức trung bình và một mức tiên phong là sự khác biệt giữa việc hỏi "nó có tốt hơn về tổng thể không" và hỏi "nó có tốt hơn ở thứ tôi cần không".