一张生成的标题卡,上面写着“DaisyRose 27B 对比 Gemma 4 31B”,副标题为“两个稠密模型,两种不同用途”,上方有三张圆角卡片,分别写着“DaisyRose:27.8B 稠密模型,仅 RL 后训练”、“Gemma 4 31B:30.7B 稠密模型,通用能力”和“GPQA Diamond:90.7 对比 84.3”,页脚写着“DaisyRose 数据来自 RadixArk,2026 年 11 月;Gemma 4 31B 数据来自 Google DeepMind。”OrcaRouter 标志位于右下角。
Guides & Insights

DaisyRose 27B 与 Gemma 4 31B:两个稠密模型,两种不同用途

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 Gemma 4 31B 是这一系列对比中最接近的一对:二者都是稠密模型,参数量都在 270 亿到 310 亿之间,都是支持 256K token 上下文的多模态模型,都采用 Apache 2.0 许可,并且都在发布权重的同时附带一个投机解码草稿模型。从两家厂商选择公开的证据来看,它们也面向不同的买家。Gemma 4 31B 是 G​oogle DeepMind 的通用型模型——一个 30.7B 的稠密模型,具备可配置的思考模式、原生函数调用、超过 140 种语言支持,以及一张涵盖从 AIME 到文档解析等内容的十四行能力表。DaisyRose 27B 是 RadixArk 的专业型模型,于 2026 年 11 月 18 日发布,仅在长时程智能体任务上通过强化学习进行后训练,并用一张五行智能体能力表来证明自身实力。这两个模型在形态上几乎相同;但两家厂商各自提供的证明却几乎互不重叠。

两张表里只有一个基准同时带有这两个名字:GPQA Diamond,其中 DaisyRose 27B 报告为 90.7,Gemma 4 31B 报告为 84.3。在一个参数少 29 亿的模型身上,研究生水平的科学考试能高出 6.5 分,这是本页最抢眼的标题,而其余内容讲的是为什么这个标题并没有看上去那么扎实。

两种看起来相似的架构

抛开品牌不谈,这两款产品的规格表在本系列所有对比中重合度最高。

• 参数 — DaisyRose 27B 为 27.8B 稠密模型,其中 0.46B 是视觉编码器,0.42B 是多 token 预测头;对比 Gemma 4 31B,其为 30.7B 稠密模型,视觉编码器约 550M 参数。两者均无专家路由,因此双方的激活参数数量都等于总参数数量。

• 上下文——DaisyRose 27B 为 262,144 个 token;Gemma 4 31B 为 256K。实际使用中上限相同。

• 模态——两者均支持文本和图像输入、文本输出。两种规模下均不提供音频;在 Gemma 这边,音频仅限于该系列中的 E2B、E4B 和 12B 成员。

• 许可 — 两者均为 Apache 2.0,且双方模型卡上均已注明。

• 长上下文技术——Gemma 4 31B 通过 60 层、1,024 token 的局部滑动窗口与完整全局注意力交错、全局层中统一的键和值以及比例 RoPE 来实现这一点;DaisyRose 27B 原封不动地继承了 Qwen3.8-27B 的架构,这是从另一条设计谱系得出的同一种混合注意力思路。

它们真正不同的两处,恰恰决定了模型的用途。Gemma 4 31B 提供可配置的思考模式、原生函数调用,并明确支持 system 角色。DaisyRose 27B 提供的聊天模板与其基础模型完全相同,而且它的训练过程把全部预算都花在终端与工具行为上,而不是广度上。

他们共享的唯一一行

GPQA Diamond(包含 198 道研究生水平的科学题)是两份产品资料唯一共同公布的基准测试,而这两个数字背后的配置并非同一种测量。

DaisyRose 27B 的 90.7 来自使用 simple-evals 模板对 198 个问题进行的八次运行,每次都会重新打乱答案顺序,并报告为其 BF16 和 FP8 运行中较好的结果。Gemma 4 31B 的 84.3 是 G​oogle 模型卡上的单一数字,表格本身未说明运行次数,也未说明使用的测试框架。

所以,这个差距从某种意义上说是真实的:两家厂商都在同一基准名称下公布了一个数字;但从某种意义上说又没那么确凿:一方有八次运行和重排协议,而另一方的方法论只是一条脚注。6.5 分大约相当于 198 道题中的 33 道题。这比 198 道题题集上的采样噪声要大,但如此规模的评测框架差异也并非闻所未闻,而且两家厂商都没有跑过对方的评估。

这一行比单一分数更有意思的地方,在于它相对于各模型基座所处的位置。DaisyRose 27B 将 GPQA Diamond 从 Qwen3.8-27B 的 89.2 提升到 90.7——十八天的强化学习带来了 1.5 分的增益。Gemma 4 31B 得分 84.3,比其同门 26B A4B 的 82.3 高出 2 分。在这项基准上,两个模型都接近预训练所赋予它们的水平,后训练对二者都没有太大推动。如果你是在研究生阶段的科学题目上二选一,那六分的差距主要是基座模型的差距,而不是训练配方带来的差距。

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.

只有一方填写的表格

在这里,这种比较不再是比较,而变成了对证据的选择。Google 发布了一张通用能力表,RadixArk 发布了一张智能体能力表,两者彼此没有重叠。

Gemma 4 31B 的模型卡上列有 MMLU Pro 85.2、AIME 2026 无工具 89.2、LiveCodeBench v6 80.0、Codeforces ELO 2150、Tau2 76.9、HLE 无工具 19.5、使用搜索 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 为 0.131,以及 MRCR v2 在八个 needle 和 128K 上下文下为 66.4。没有 Terminal Bench 行,没有 SWE-bench 行,也没有 IFBench 行。

DaisyRose 27B 的模型卡片显示: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;此外,纯文本 HLE 为 34.3,GPQA Diamond 为 90.7。完全没有 MMLU Pro、AIME、Codeforces 以及视觉基准测试行——尽管该模型带有视觉编码器。

这一配对中有两处不对称值得点明。第一处是 HLE:RadixArk 报告无工具条件下为 34.3,G​oogle 报告无工具条件下为 19.5、使用搜索时为 26.5。即便给 Gemma 4 31B 采用其工具辅助配置,DaisyRose 27B 的分数仍高出近八分——但评分方不同,因为 RadixArk 对每个问题用 GPT-6 Luna 跑了五次,而 G​oogle 未说明其评分设置。第二处是视觉:DaisyRose 27B 搭载 0.46B 视觉编码器,却完全未公布任何视觉基准,因此其多模态能力在公开层面无从衡量。Gemma 4 31B 公布了 MMMU Pro、MATH-Vision、OmniDocBench 和 MedXPertQA。如果你需要图像理解,这两个模型中一个有证据,另一个只有编码器。

内存、格式以及每次下载的费用

两个模型在全精度下均为 52 至 63 GB,这使它们处于同一硬件级别,也让格式列表成为对比中有用的部分。

• DaisyRose 27B——BF16 约 52 GB,FP8 约 29 GB,NVFP4 约 23 GB 且仅支持 Blackwell,另附 RadixArk/Qwen3.8-27B-DSpark 作为 SGLang 的投机解码草稿模型。参考配置为:在四 GPU 节点上以张量并行度 1 运行四个数据并行副本,上下文长度 262,144 个 token,并采用 FP8 KV 缓存。RadixArk 列出了在 H200、B200、GB300、RTX PRO 6000、RTX 5090 和 DGX Spark 上的单 GPU 部署方案。

• Gemma 4 31B —— 以 bfloat16 精度分为两个 safetensors 分片,分别约为 49.8 GB 和 12.8 GB,合计约 62.5 GB。一个 17.7 GB 的 QAT Q4_0 GGUF,加上 1.2 GB 的视觉投影器,在计入 KV 缓存之前约为 18.9 GB,这让 Gemma 系列中稠密模型的顶配版本得以装进单张 24 GB 的消费级显卡。一个面向 vLLM 的 23.3 GB QAT w4a16 compressed-tensors 构建,一个未量化的 Q4_0 checkpoint,承载 QAT 权重但未做打包,以及一个 0.94 GB 的多 token 预测草稿模型。

GGUF 这条路线才是具体的区别所在。Google 推出的是自家打造的 4 位版本,能适配 24 GB 显卡;RadixArk 则推出三种精度版本,并期望你通过 SGLang 来提供服务。对于一个拥有工作站却没有服务栈的团队来说,这并非难以抉择——一个下载后即可运行,另一个则需要部署。

有一个容易踩坑的细节:Gemma 的模型卡要求投机解码辅助模型与目标检查点的精度相匹配,因此 0.94 GB 的草稿模型搭配的是 QAT 31B 目标,而不是 bfloat16 版本。RadixArk 的草稿模型以 Qwen3.8-27B 命名,搭配的是 DaisyRose 27B 自有的 FP8 构建。

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.

成本,以及那个有价格的

Gemma 4 31B 现已在 OrcaRouter 上线,型号为 google/gemma-4-31b-it,价格为 每百万输入 token 0.13 美元、每百万输出 0.38 美元,支持可配置的思考功能、原生函数调用和 256K 上下文。-it 后缀是客户端传入的字符串的一部分。

DaisyRose 27B 没有供应商托管的定价。RadixArk 的网站描述了为其他实验室提供的训练与推理服务,但没有发布 DaisyRose 端点;模型卡只指向通过 SGLang、vLLM 和 Docker 进行自托管。第三方列表报价为每百万输入 0.15 美元、每百万输出 1.88 美元,这是一家托管商的初始报价,而非供应商费率。

把它们并排放在一起看,托管对比的结果就与基准表的方向相反:Gemma 4 31B 每百万输入 token 为十三美分,而第三方托管商为十五美分,但在输出上则是三十八美分对一美元八十八美分。在生成密集型工作负载上,这对更大的模型来说意味着五倍的差距,而这一差距的存在有结构性原因——Gemma 4 31B 已有成熟的托管层级,多家提供商在其中竞争,而 DaisyRose 27B 只有一个托管商和三天的历史。

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.

每个模型是为哪项工作而构建的

诚实的总结是:这些模型并不是在争夺同一笔购买,而基准测试表格拒绝重叠,恰恰证明了这一点。

Gemma 4 31B 是你在需要广泛能力时会选择的模型:可将思考模式调低、兼容现有工具 schema 的函数调用、支持 140 多种语言、已发布的视觉评估、可在工作站上运行的量化版本,以及每百万输入 token 13 美分的托管价格。对于通用产品来说,这是稳妥的选择,而其出错代价不过是几美元的 API 花费。

如果你正在构建终端智能体,并且有能力自行托管,那么 DaisyRose 27B 就是你要的模型。它的 Terminal Bench 4.1 成绩是其自身基础模型的两倍还多,SWE Bench Pro v2 达到 94.7,IFBench 的 82.4 则是 RadixArk 对比卡片上最高的。这些数字全部由厂商自行报告,没有一个经过独立复现,而且该模型才发布三天。但这项宣称的具体形态足够明确,可以进行检验:用你自己的智能体轨迹去跑 Qwen3.8-27B——可通过 qwen/qwen3.8-27b 以每百万输入 token 0.33 美元、每百万输出 token 2.40 美元的价格使用,同样具备 262,144 token 的上下文和视觉塔——看看 RadixArk 训练消除的那个失败模式,是否正是你实际遇到的那一个。

这也是在这两者之间做决定的最便宜方式。一个 OrcaRouter 密钥接入,无需第二份合同,也无需改代码,且在各供应商标价基础上加价 0%,因此任何一方的价格变动都会在生效当天传到你这里。如果 Gemma 4 31B 能撑起你的智能体循环,那么十三美分就搞定了。如果不行,而且基础模型在同一处失败,那么下一步值得花钱的就是在 H200 上做为期十八天的强化学习后训练——到那时,你会知道买它是为了修复什么。