一张生成的标题卡,标题为“DaisyRose 27B vs Bonsai 27B”,副标题为“相同规模,相反押注”,位于三张圆角卡片上方,卡片上分别写着“DaisyRose:52 GB BF16,仅强化学习后训练”、“Bonsai:3.8 GB 二进制权重”和“两者:262,000 token 上下文,Apache 2.0”,页脚写着“DaisyRose 数据来自 RadixArk,2026 年 11 月;Bonsai 数据来自 PrismML,2026 年 7 月。”OrcaRouter 标志位于右下角。
Guides & Insights

DaisyRose 27B 与 Bonsai 27B:规模相同,押注相反

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

DaisyRose 27B 和 Bonsai 27B 都是 270 亿参数模型,具有 262,000 token 的上下文、Apache 2.0 许可证以及 Qwen 基座,而在其他所有方面几乎截然相反。DaisyRose 27B 由 RadixArk 于 2026 年 11 月 18 日发布,它花费十八天的 H200 机时和约 63,000 GPU 小时进行强化学习,以提升 27B 模型在智能体任务上的能力;它以 52 GB 的 BF16 权重形式发布,并且需要数据中心 GPU。Bonsai 27B 由 PrismML 于 2026 年 7 月 14 日发布,它把精力投向相反方向:取一个 27B 模型,将每个权重量化压缩到 1.125 比特,使整个模型能装进 3.8 GB 并在手机上运行。两者都不是更好的模型。它们是对“一个 27B 应该花多少成本”这一问题的两种不同回答,而你想要哪种答案,完全取决于约束条件是质量还是字节数。

在进行任何比较之前,有一点需要先说明,因为它决定了本页有多少内容可以进行算术比较:这两家厂商没有共享同一个基准测试。RadixArk 报告的是 Terminal Bench、DeepSWE、SWE Bench Pro、HLE、IFBench 和 GPQA Diamond。PrismML 报告的是它自己的一套十五项基准测试套件,外加一个推导出的“智能密度”数值。没有任何一行是这两个模型都测过的,所以下文不会用一个分数减去另一个分数。

每一个是用什么构建的

谱系是第一个真正的区别,而且很容易被忽略,因为两者都写着“Q​wen 27B”。

• DaisyRose 27B —— Qwen3.8-27B 的后训练版本,架构未作改动。相同的分词器、相同的聊天模板、相同的视觉塔、相同的 262,144 token 上下文。RadixArk 的训练只改变了行为,除此之外别无其他,并将其结果描述为基础模型的直接替代品。

• Bonsai 27B —— Qwen3.6-27B 的低比特重建版本,而 Qwen3.6-27B 比它早一代。它不是后训练:语言网络以 1 比特或三值精度端到端重新编码,嵌入、注意力、MLP 投影和 LM head 全都如此,骨干网络中没有任何更高精度的逃逸通道。

这种代际差距对 Bonsai 来说是一个实实在在的劣势,而且很少有人会直白地说明这一点。Qwen3.6-27B 是 RadixArk 选择在其基础上进行改进的模型;Bonsai 27B 则是它的一个压缩副本。因此,读者比较这两者时,不仅是在比较一个后训练模型与一个压缩模型,更是在比较一个更新基座的后训练模型与一个更旧基座的压缩模型。一步之中包含了两项变化,而两家厂商的表格都没有把它们区分开来。

两种包装,两种足迹

Bonsai 27B 以同一模型的两种权重格式提供,二者之间的选择是该发布中唯一真正需要做的决定。

• 二值打包 — {−1, +1} 权重,配合 FP16 分组缩放,以 GGUF Q1_0_g128 格式打包,每权重有效位数为 1.125 位。交付文件为 3.803 GB;规格卡将实际部署占用取整为约 3.9 GB。

• 三值打包——在相同缩放比例下的 {−1, 0, +1} 权重。一个三值数携带 log₂3 ≈ 1.585 比特,因此该表示的下限约为每个权重 1.71 比特,即理想情况下为 5.9 GB。发布文件为 7.165 GB,因为当前内核将每个三值值存储在两位槽中——实际部署为每个权重 2.125 比特。这一差距是内核限制,而非建模选择,并且 PrismML 公布了这两个数字。

DaisyRose 27B 以常规方式发布:BF16 约 52 GB,FP8 约 29 GB,NVFP4 约 23 GB 且仅限 Blackwell。与 Bonsai 的 3.803 GB 相比,在二进制方案这一端大约是其十四倍,而且压缩并非没有代价——PrismML 自家测试套件显示,二进制包达到其全精度基线的 89.5%,三值包达到 94.6%。

压缩究竟在哪里付出代价

在两次发布中,PrismML 的类别细分都是最有用的内容,因为它表明性能损失并非均匀分布。对照其自身 FP16 Qwen3.6-27B 基线——在包含十五项基准测试的思考模式套件中得分为 85.07:

• 二进制包 — 总体 76.11,保留率 89.5%。数学从 95.33 降至 91.66,编码从 88.74 降至 81.88。指令遵循从 78.47 降至 65.74,智能体与工具调用任务从 80.00 降至 66.03,视觉从 72.61 降至 59.57。

• 三值包 — 总体 80.49,保留率 94.6%,额外增加 3.3 GB 权重,弥补了约一半与全精度的差距。

把那份列表与 DaisyRose 27B 的训练目标对照来看,这两个版本就不再能在任何简单意义上相提并论。Bonsai 27B 在压缩后最弱的类别是智能体与工具调用,得分为 66.03,而基线为 80.00——恰好是在 RadixArk 花了十八天 GPU 时间改进的领域损失了十五分。一个模型为其小尺寸所付出的代价,正是另一个模型用算力去购买的货币。如果你的工作负载是一个在循环中调用工具的编码智能体,那么 Bonsai 27B 的 binary pack 就是本次比较中最不适合的产物,而 DaisyRose 27B 则是最适合的,并且两张表中的其他任何内容都不会改变这一排序。

A screenshot of the Hugging Face model card for prism-ml/Bonsai-27B-gguf showing the repository header, the 1-bit GGUF description, the headline footprint against FP16, the fifteen-benchmark retention figures and the base model reference to Qwen3.6-27B.

每一项对你的硬件有何要求

这一点让比较变得具体,而不只是停留在修辞层面。

• DaisyRose 27B — 在 NVFP4 下,可使用单张 H200、B200 或 GB300,或 RTX PRO 6000、RTX 5090 或 DGX Spark。推荐的 serving 路径是 SGLang 搭配 DSpark 推测解码草稿模型,在四 GPU 节点上以张量并行 1 和 FP8 KV 缓存运行四个数据并行副本。RadixArk 未公布上述任何配置的每秒 token 数。

• Bonsai 27B——在 CUDA、Metal 或 CPU 上运行 llama.cpp,其 1 位和三值内核位于 PrismML 自己的分支中,而不是上游,因此原版 llama.cpp 目前还无法正确加载它们。二值包可装入 12 GB 手机;三值包需要稍多一点余量。如果同时带上草稿模型和视觉塔,还要再加约 2.4 GB,因为 3.9 GB 的标称数字是语言权重,而不是部署总量。

不存在这两者争夺同一个槽位的配置。手机上的 3.8 GB 二值模型和 H200 上的 52 GB BF16 模型并不会相互取舍;它们服务于不同的产品。重叠范围更窄,也更有意思:23 GB 的 NVFP4 DaisyRose 对 7.2 GB 的三值 Bonsai,二者都能装进单张消费级显卡,这是唯一一处选择真正是权衡而非类别之分的地方。

证据,以及证据的数量有多少

Bonsai 27B 已经积累了四个月的下载量——三值 GGUF 仓库在 2026 年 10 月突破了 590,000 次下载,而二进制包则刚刚超过 400,000 次,两者的 MLX 容器各自都超过了 100 万次。这表明,这个模型的大部分运行在 Apple 硬件上,而不是服务器上;并且下载它的人,是为了多出五个百分点的留存率,而不是为了最小的文件。这是使用情况的证据,而不是质量的证据,但它是一种两家厂商的基准测试表都没有提供的证据。

DaisyRose 27B 问世已有三天,仍没有独立运行结果。它的七行基准测试数据均来自 RadixArk,是在 RadixArk 的测试框架上、以 temperature 1.0、top_p 0.95、top_k 20 和推理强度 xhigh 测得的,并公布为 BF16 与 FP8 两次运行中较好的结果。它与更大系统的跨模型比较引用的是其他方已公布的数据,而不是并排运行的结果,模型卡也说明了这一点。

两个模型从未在同一套测试框架上运行过。任何把 DaisyRose 的数字与 Bonsai 的数字并列并据此得出结论的页面,都是在编造一个没人做过的比较。

A generated two-column scoreboard titled 'DaisyRose 27B vs Bonsai 27B — the scoreboard'. Left column DaisyRose 27B: Base model Qwen3.8-27B; Weights 52 GB BF16 / 23 GB NVFP4; Training RL-only, 63,000 GPU-hours; Terminal Bench 4.1 12.0; Context 262,144; Licence Apache 2.0. Right column Bonsai 27B: Base model Qwen3.6-27B; Weights 3.803 GB binary / 7.165 GB ternary; Training low-bit compression; Vendor suite 76.11 binary / 80.49 ternary; Context 262,000; Licence Apache 2.0. Footer reads 'DaisyRose figures vendor-reported, November 2026; Bonsai figures vendor-reported, July 2026; no shared benchmark.' The OrcaRouter logo sits in the bottom-right.

该选哪一个

这个决定取决于一个问题,而这不是一个基准测试问题:模型是否必须在没有数据中心的地方运行?

如果是这样,答案就是 Bonsai 27B,具体来说是 ternary pack,除非设备确实内存严重不足。binary pack 在智能体与工具调用任务上 15 个百分点的损失,是两个版本中最大的质量让步,而 ternary pack 多占用的 3.3 GB 能换回与全精度之间一半的差距。在 12 GB 手机上别无选择;在任何能为权重腾出 8 GB 的设备上,ternary pack 都是更好的选择。

如果不是——如果模型运行在 API 后面或某个服务节点上——那么 Bonsai 27B 的核心优势就会消失,而 DaisyRose 27B 的核心优势就成了唯一还站得住的那个。能在单块 H200 上放得下的模型,并不是你需要压缩的模型;而在那个位置上,你用 Bonsai 买到的会是一个性能上限只有上一代基座模型 89.5% 或 94.6% 的 27B 模型。RadixArk 的发布正是瞄准了这类读者,而需要检验的主张是:Terminal Bench 4.1 上从 5.6 到 12.0 的跃升,能否在公开评测框架上复现。

自己运行比较的一种低成本方法

截至撰写本文时,DaisyRose 27B 和 Bonsai 27B 都不在 OrcaRouter 的目录中,本页也不会假装并非如此。它们共同的祖先是:Qwen3.8-27B 以 qwen/qwen3.8-27b的形式提供,价格为每百万输入 token $0.33、每百万输出 token $2.40,并具备 DaisyRose 27B 所保留的相同 262,144 token 上下文和视觉塔。在自己的提示词上运行基础模型,是弄清后训练被要求改进什么的最便宜方法,而且只需花费几美分,而不是租用 H200。

同一个端点之后还能充当有用的安全网。如果自托管的 DaisyRose 部署在任务中途遇到上下文窗口已满或沙箱损坏,一条自动的 故障转移规则会把请求发送给基础模型,而不是返回错误——这得到的是降级答案,而不是失败的调用。这就是整个比较所讨论的权衡的实践版本:上限值得付出代价,但前提是它下面还有东西兜底。

能改变这个页面的,是一个统一的共享评测框架。如果 PrismML 压缩 Qwen3.8-27B——也就是 DaisyRose 所改进的基座——这两个模型终于可以相互衡量,而“27B 变成 3.8 GB 会失去什么”这个问题,也将得到一个数字,而不是一个类别。