一张生成的标题卡,上面写着“DaisyRose 27B vs Gemma 4 26B A4B”,副标题为“每个 token 读取 27.8B,每个 token 读取 3.8B”,其上方有三张圆角卡片,分别写着“DaisyRose:27.8B 稠密,仅 RL 后训练”、“Gemma 4 26B A4B:总计 25.2B,激活 3.8B”和“托管价格:每百万输入 $0.06,输出 $0.33”,页脚写着“DaisyRose 数据来自 RadixArk,2026 年 11 月;Gemma 数据来自 Google DeepMind。”OrcaRouter 标志位于右下角。
Guides & Insights

DaisyRose 27B 对比 Gemma 4 26B A4B:27.8B 稠密模型 vs 3.8B 激活参数

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 与 Gemma 4 26B A4B 是同等量级的模型,但成本结构截然不同,而价格线比任何基准测试都更直观地说明了这一点。Gemma 4 26B A4B——252 亿参数,其中每个 token 需读取 38 亿——在 OrcaRouter 上提供服务,价格为每百万输入 token 0.06 美元、每百万输出 token 0.33 美元。DaisyRose 27B 是 RadixArk 对 Qwen3.8-27B 仅做强化学习后训练得到的模型,于 2026 年 11 月 18 日发布,为 278 亿稠密参数,每个 token 都要读取全部参数,以 52 GB 的 BF16 权重形式发布,没有厂商托管的 API,且必须依赖数据中心级 GPU 才能运行。一个是按美分租用的模型,另一个是需要自行部署的模型。这一对比中的其余一切,都由此而来。

基准测试图景确实有趣,也确实不完整:这两个模型恰好只共享两行公开结果,即 GPQA Diamond 和 Humanity's Last Exam;而在这两项上,DaisyRose 27B 的领先幅度都远大于参数差异。这个领先优势在接入同一测试框架后是否仍然成立,是本页无法回答的问题,并且本页也明确说明了这一点。

这个名字就是一项规范

Gemma 4 26B A4B 的标签体现了其路由策略,而 G​oogle 自己的模型卡直接给出了解读:“26B A4B 中的‘A’代表‘活跃参数’,与模型包含的参数总量相对。”

• 总参数——25.2B。• 每 token 激活参数——3.8B。• 专家布局——每个 token 从 128 个专家中选择 8 个激活,另加 1 个共享专家。共享专家始终会被读取,因此激活参数数量并非简单地等于总量的 8/128。• 层数——30,采用 1,024 token 的滑动窗口。

DaisyRose 27B 没有这样的结构可供描述。它是一个稠密 transformer:27.8B 参数,其中 0.46B 是视觉编码器,0.42B 是多 token 预测头,输入与计算之间没有路由器。每个 token 都要为每一个权重付出代价。

实际后果就是一个数字,它比任何基准测试都更能区分这些模型。一个激活参数为 3.8B 的稀疏模型,运行速度接近 4B 模型,却承载着 25B 模型的内存占用——G​oogle 的说明卡直言不讳,称 MoE 变体运行“几乎和 4B 参数模型一样快”。稠密 27.8B 以 27.8B 的速度运行,而没有人公布过这个速度:RadixArk 的说明卡没有给出任何硬件配置下的每秒 token 数。

RL 换来了什么,又没换来什么

DaisyRose 27B 的训练是本次对比中 Gemma 一侧完全没有对应内容的部分。RadixArk 只使用了强化学习——没有监督微调阶段,也没有蒸馏——训练基于约 1,200 个用 Eigent AI 构建的精选长时程智能体任务,会话长度最高达一百万个 token,在 144 块 H200 上进行了十八天,约 63,000 GPU 小时。其目标不是通用能力提升,而是一个特定目标:让 27B 模型更擅长“读取任务、调用工具、读取结果、修正错误”这一循环。

这一点出现在两个模型确实可以进行比较的那些行中,而且它并非一致地出现。

• GPQA Diamond — DaisyRose 27B 得 90.7,Gemma 4 26B A4B 得 82.3。两者均为厂商报告数据:RadixArk 的数据来自在 198 道题上使用 simple-evals 模板并重新打乱答案顺序进行的八次运行;Google 的数据则是模型卡上公布的单一数值。

• Humanity's Last Exam,不使用工具——DaisyRose 27B 为 34.3,而 Gemma 4 26B A4B 为 8.7。这是两张表中最大的差距,也是最值得怀疑的一项,因为配置不同:RadixArk 对每道题运行五次,由 GPT-6 Luna 担任评分者,且不使用工具;Google 的 8.7 是不使用工具时的数字,而允许模型使用搜索工具时为 17.2。

两行数据算不上比较,而且两家厂商都没有运行对方的评测框架。HLE 差距确实暗示——而且这只是暗示,不是测量——针对长时间智能体会话的后训练,会以某种方式迁移到高难度推理问题上,而一个为广泛能力预训练的稀疏架构则不会。它没有表明的是,这一效应有 25 个百分点,因为评测框架不同,而且这两个数字之一来自一个在其更优配置中被提供了工具的模型。

A screenshot of the Hugging Face model card for google/gemma-4-26B-A4B-it, showing the repository header, the mixture-of-experts description with 25.2B total and 3.8B active parameters, the 256K-token context, the Apache 2.0 licence and the benchmark table.

只有一侧拥有的行

两张卡都公布了对方没有公布的基准测试结果,而这种不对称本身就说明了各家厂商认为哪些方面值得证明。

Gemma 4 26B A4B 公布了完整的通用能力表:MMLU Pro 82.6,AIME 2026(无工具)88.3,LiveCodeBench v6 77.1,Codeforces ELO 1718,Tau2 三项平均 68.2,BigBench Extra Hard 64.8,MMMLU 86.3,MMMU Pro 73.8,MATH-Vision 82.4,以及 MRCR v2 在八针和 128K 上下文下 44.1。模型卡上没有 Terminal Bench、SWE-bench 和 IFBench 这几行。

DaisyRose 27B 转而公布了 agentic 与指令遵循方面的成绩:Terminal Bench 4.1 为 12.0(基线为 5.6),Terminal Bench 2.1 为 75.5,DeepSWE v1.1 为 46.2,SWE Bench Pro v2 为 94.7,IFBench 为 82.4。模型卡上没有 MMLU Pro,没有 AIME,也没有 Codeforces 这一行。

放在一起看,这两张表描述的是不同的产品。Google 发布的是一个通用模型,并在标准学术套件上全面验证它。RadixArk 发布的是一个智能体模型,并在标准智能体套件上全面验证它。两者的重叠部分大约是二十行中的两行,而在这两者之间做选择的买家,主要是在选择自己更关心哪一套套件——这比分数列所呈现的要简单得多。

每个在哪里运行

对大多数读者来说,这一节决定了比较结果,因为双方的部署情况完全没有交集。

• Gemma 4 26B A4B —— 目前由 OrcaRouter 托管,价格为每百万输入 token 0.06 美元、每百万输出 token 0.33 美元,同时还有同一架构的 Obsidian 托管版本。开放权重采用 Apache 2.0 许可,格式为 bfloat16(跨两个分片约 51.6 GB),另有一个经过量化感知训练的 Q4_0 GGUF,可将其装进单张消费级显卡;还有一个面向 vLLM 的 w4a16 压缩张量构建,以及一个用于投机解码的多 token 预测草稿模型。Google 的家族博客文章称,两个更大的尺寸“能够高效地装进单块 80GB NVIDIA H100 GPU”。

• DaisyRose 27B — BF16 约 52 GB,FP8 约 29 GB,NVFP4 约 23 GB 且仅支持 Blackwell,另有面向 SGLang 的 DSpark 推测解码草稿模型。RadixArk 列出了在 H200、B200、GB300、RTX PRO 6000、RTX 5090 和 DGX Spark 上的单 GPU 部署。不存在托管 API 价格;第三方挂牌报价为每百万输入 token 0.15 美元、每百万输出 token 1.88 美元,这更像是某家托管商的初始报价,而非厂商费率。

这些数字表明,托管成本差距在输入上约为 2.5 倍、在输出上接近 6 倍,且对第三方有利。这是按标价进行的诚实比较。这也是只要工作负载变长就会改变的比较:稀疏模型每 token 仍要付出 3.8B 的计算量,而稠密模型要付出 27.8B,因此差距在延迟和硬件秒数上早已扩大,远早于其在每百万 token 美元成本上扩大。

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 26B A4B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; active per token 27.8B; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; hosted price none, self-host only. Right column Gemma 4 26B A4B: parameters 25.2B total; active per token 3.8B; context 256K tokens; GPQA Diamond 82.3; HLE no tools 8.7; hosted price $0.06 in, $0.33 out per million. A footer reads 'Vendor-reported on both sides; harnesses differ, no shared run.' The OrcaRouter logo sits in the bottom-right.

智能体训练每美元的价值是多少

这个比较有意思的地方不在于“哪个得分更高”,而在于“每个任务为智能体能力提升付出的成本是多少”。RadixArk 的模型之所以存在,是因为其基础模型 Qwen3.8-27B 在 Terminal Bench 4.1 上的得分是 5.6,经过后训练后达到 12.0。如果你运行的是会执行命令的编程智能体,那么这就是一个大多情况下做不到的模型和一个有时能做到的模型之间的差别,而对合适的买家来说,把一个很小的数字翻倍也值真金白银。

Gemma 4 26B A4B 完全没有 Terminal Bench 数据,这使得其价值主张无法通过公开数据衡量。它确实具备的是让实验变得便宜的价格:每百万输入 token 仅需 $0.06,你可以用相当于一小时 H200 的成本运行几千条智能体轨迹,并弄清楚模型是否会以对你的工作负载有影响的方式失败。稀疏架构让这种便宜加倍——token 价格低,而且 token 返回速度快。

这就是真正决策的形态。DaisyRose 27B 是一个专业后训练模型,具有厂商报告的特定智能体能力声明,且没有托管价格。Gemma 4 26B A4B 是一个通用模型,拥有广泛发布的能力表、快速推理配置,以及以每百万 token 美分计价的标价。如果你的任务是长时程工具使用,并且你可以自行托管,那么这个专业模型值得做基准测试。如果你的任务是其他任何情况,或者你无法自行托管,那么这款定价 $0.06 的通用模型会在唯一重要的维度上胜出。

用一个键同时运行两者

Gemma 4 26B A4B 现已在 OrcaRouter 上线,模型标识为 google/gemma-4-26b-a4b-it,定价为每百万输入 token 0.06 美元、每百万输出 token 0.33 美元,支持 262,144 token 的上下文以及文本、图像和视频输入。截至本文撰写时,DaisyRose 27B 尚未收录于该目录,本页面也不会暗示其已上线——它是通过 SGLang、vLLM 和 Docker 自行部署的版本。

不过它的基座模型是公开可用的。Qwen3.8-27B 以qwen/qwen3.8-27b 的形式提供服务,每百万输入 token 收费 0.33 美元,每百万输出 token 收费 2.40 美元,上下文长度同样是 262,144 token,视觉塔也与后训练版本所保留的相同。这给读者带来两个有用的东西:一个同系列基线,可以在决定 RL 后训练是否值得部署之前,用自己的提示词先跑一跑;以及一条兜底路径。如果自托管的 DaisyRose 实例遇到沙箱超时,一条路由规则可以把调用交给基座模型,而不是直接丢弃;而且由于我们按 0% 加价透传供应商的标价,任何一端厂商侧的价格变动都会在生效当天同步到同一个密钥上。

成本最低的下一步不是跑基准测试:而是按这个顺序,在你自己的 agent 轨迹上运行 Gemma 4 26B A4B 和 Qwen3.8-27B——先跑便宜的模型,看看你的任务实际在哪里出问题,再跑更贵的基线,看看问题是不是出在基础模型本身。只有在这之后,十八天的 RL 后训练才有可供对照证明的对象。

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新