一张标题卡写着“DaisyRose 27B 对比 Granite 4.2 30B”,副标题为“在 Terminal Bench 2.1 上相差 46 分”,其上方三张卡片分别写着“DaisyRose:27.8B 稠密模型,Terminal Bench 2.1 得分 75.5”、“Granite 4.2 30B:30B 稠密模型,Terminal Bench 2.1 得分 29.24”和“两者:Apache 2.0,自托管优先”,页脚写着“两项数据均由厂商报告,基于各厂商自有测试框架”。OrcaRouter 标志位于右下角。
Guides & Insights

DaisyRose 27B 对比 Granite 4.2 30B:46 分,两套测试框架

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 Granite 4.2 30B 均在 Terminal Bench 2.1 上报告了分数。DaisyRose 27B 是 RadixArk 于 2026 年 11 月 18 日发布的、对 Qwen3.8-27B 仅进行强化学习后训练的模型,得分为 75.5,而其基础模型为 73.0。Granite 4.2 30B 是 IBM 于 2026 年 8 月 25 日发布的稠密 300 亿参数模型,得分为 29.24。在同一个基准名称上,两个规模几乎相同的稠密模型之间出现了 46 分的差距,而自然得出的结论——DaisyRose 27B 在智能体终端任务上强 2.5 倍——几乎肯定是错误的。这两个数字并非以相同方式产生,而本页在很大程度上讲的就是,46 分的差距如何可能比它看起来更小。

这两个模型的共同点比那个差距所暗示的更多:两者都是稠密模型,参数量都在 300 亿左右,都采用 Apache 2.0,都是开放权重发布且没有可引用的厂商托管 API 价格,都是专门针对沙箱内的智能体工具使用训练的。无论从架构还是意图来看,它们都是本系列中最为匹配的一对,这正是为什么它们卡片上的数字值得仔细阅读,而不是直接相减。

46个百分点差距剖析

先从各厂商如何说明这个数字是怎么得出的开始,因为这两张卡都异常明确,而且它们描述的是不同的测量方式。

• DaisyRose 27B — 在 Terminus 2 评测框架上,每个任务运行五次。对比卡片明确列出了 Terminus 2,并注明了运行次数。采样设置为 temperature 1.0、top_p 0.95、top_k 20,推理强度为 xhigh,公布的分数为 BF16 与 FP8 运行结果中较好的一个。

• Granite 4.2 30B — 在 Terminal-Bench 2.1 上得分 29.24,模型卡上仅以一行表格形式报告。模型卡详细记录了该系列模型的智能体训练——对经过上采样的智能体软件工程数据进行第二轮监督微调,然后在沙箱内执行 SWE-bench 风格任务、终端操作和网页搜索的智能体强化学习——但 Terminal-Bench 这一行本身未注明运行次数、未说明评测框架名称,也未给出采样配置。

这种不对称正是这 46 分的全部缘由。一家厂商公布的是在最高推理强度下、经过大量监测工具配置、运行五次得到的分数;另一家厂商只公布了一个表格单元格。Terminal-Bench 在推理强度 xhigh 下的结果,与同一模型在默认设置下的结果相比,可能相差数十分,因为该基准是一系列 shell 命令,思考更久的模型会有更多机会从自身错误中恢复。把尽力而为、高强度、运行五次得到的数字,与一个未加限定的单一数字相比,根本算不上比较。

还有第二种不对称,更微妙也更有趣。DaisyRose 27B 自己的基础模型 Qwen3.8-27B 在同一张卡的同一行上得分为 73.0。因此,RadixArk 的后训练将 Terminal Bench 2.1 提高了 2.5 分,而与 Granite 的 46 分差距中,有 44 分来自基础模型差异,2 分来自训练。在这项基准上,区分这两家厂商的一切都取决于起点,而不在强化学习。

桌子交汇之处

还有两行是共用的,而且这两行都比 Terminal-Bench 更具可比性。

• GPQA Diamond — DaisyRose 27B 在 198 个问题上进行了八次运行,答案顺序经过重新打乱,得分为 90.7;Granite 4.2 30B 为 66.41。24 分的差距无法用任何测试框架差异来合理解释。DaisyRose 的基座模型得分为 89.2,因此后训练为一个本已遥遥领先的基座模型增加了 1.5 分。

• IFBench — DaisyRose 27B 在 300 个提示上运行四次,使用官方 allenai 评分器,严格按提示级准确率计算且不含思考内容,得分为 82.4;Granite 4.2 30B 为 77.17,在卡片上标注为“prompt”。两者相差 5 分,也是两张卡片上最接近真正平局的结果。

GPQA 这一项数据,才是真正应该改变读者对这场对比看法的关键。Granite 4.2 30B 是 IBM 为企业级 agentic 工作打造的模型——十二种测试语言、三种推理模式、工具调用、128K 原生上下文可扩展至 512K——它在研究生水平的科学题上得分为 66.41。DaisyRose 27B 得分为 90.7。无论 Terminal-Bench 在测试框架上有多少可商榷之处,研究生水平的科学题并不存在能让分数摆动 24 分的测试框架,而诚实的解读是:RadixArk 的基础模型 Qwen3.8-27B 得分 89.2,它就是一个比 IBM 起步所用基础模型更强的推理模型。

A screenshot of the Hugging Face model card for ibm-granite/granite-4.2-30b, showing the model summary with 30B dense parameters, the 128K native context with 512K extension, the Apache 2.0 licence, the three reasoning modes and the benchmark table including GPQA 66.41 and Terminal-Bench 2.1 at 29.24.

两种截然不同的智能体训练理念

两个模型都经过训练,以便在沙盒环境中工作,而这两段关于该训练的描述是两张卡片中最能说明问题的部分。

RadixArk 的做法是尽可能少做改动。DaisyRose 27B 原样保留了 Qwen3.8-27B 的架构、分词器、聊天模板、视觉塔和 262,144 token 上下文,并对大约 1,200 个精心策划的长程任务应用强化学习,这些任务由 Eigent AI 构建——旨在串联多个问题、抵御奖励作弊,并在长达一百万个 token 的会话中运行。18 天、144 块 H200、63,000 GPU 小时、约 944,000 个沙箱。没有监督微调,也没有蒸馏。

IBM 的方法是分阶段改变行为。Granite 4.2 30B 系列接受了第二轮监督微调,使用的是经过上采样的智能体软件工程数据;随后又进行了智能体强化学习,在沙盒中让模型运行 SWE-bench 风格任务、终端操作和网络搜索。模型卡明确指出,30B 是该系列在推理密集型工作和智能体工作中的最强表现者。它还包含完整的通用能力表、十二种受测语言、三种思考模式以及内置的思维链。

两家厂商的训练说明都无法预测对方在基准测试中的表现概况,而表格所显示的正是这一点:DaisyRose 27B 在侧重推理的各项上决定性地领先,却未公布任何多语言或视觉方面的数据;Granite 4.2 30B 则公布了整套企业级基准测试成绩——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——并在两者于科学项上重叠之处得分 66.41。

上下文、内存与部署历程

Granite 的 512K 扩展是真正的差异化优势,没有任何基准测试条目能体现这一点,因此值得精确说明模型卡所声称的内容:128K 原生,“长上下文扩展至 512K”,而模型表中列出的序列长度为 131,072。扩展并不等同于原生,模型卡上的 RULER 数据也显示了代价——同一模型在 64K 时为 89.96,而在 128K 时为 81.38。DaisyRose 27B 则采取相反立场:固定 262,144 个 token,没有长上下文变体,继承自 Qwen3.8-27B;RadixArk 指出,其自身的长思考运行可达数万个 token,而在实践中,这一窗口的很大一部分正是用在这里。

• DaisyRose 27B 权重 — BF16 约 52 GB,FP8 约 29 GB,NVFP4 约 23 GB 且仅支持 Blackwell,另外还有 Qwen3.8-27B-DSpark 投机解码草稿模型。RadixArk 推荐使用 SGLang 搭配 DSpark,并发布了一个带有 FP8 KV 缓存的四 GPU 参考配置。

• Granite 4.2 30B 权重——约 29B 以 bfloat16 存储,Apache 2.0 许可,并随 BF16 版本一同提供 FP8、NVFP4/MXFP4 和 GGUF 量化。作为 30B 稠密模型,它的内存占用与 DaisyRose 的 BF16 构建大致处于同一量级,因此两者都没有值得争论的占用优势。

部署差异在于支持,而非规模。Granite 4.2 30B 已可下载并运行三个月,IBM 已为多个运行时发布其量化版本,并且已有生态用户遇到过它的失效模式。DaisyRose 27B 才发布三天,有三种精度、一条推荐服务路径,且没有任何硬件配置的已发布吞吐量数据。

A generated two-column scoreboard titled 'DaisyRose 27B vs Granite 4.2 30B — the scoreboard'. Left column DaisyRose 27B: Parameters 27.8B dense; Context 262,144 tokens; Terminal Bench 2.1 75.5; GPQA Diamond 90.7; IFBench 82.4; Released 18 November 2026. Right column Granite 4.2 30B: Parameters 30B dense; Context 128K native, 512K extended; Terminal Bench 2.1 29.24; GPQA Diamond 66.41; IFBench 77.17; Released 25 August 2026. Footer reads 'Both vendor-reported on separate harnesses; the Terminal-Bench rows were not run the same way.' The OrcaRouter logo sits in the bottom-right.

两者都不在这里的托管端点上

这是对比中最不令人满意的部分,值得直说:DaisyRose 27B 和 Granite 4.2 30B 均未出现在OrcaRouter 的产品目录中。在本文撰写时,RadixArk 未发布托管的 DaisyRose API,并指向 SGLang、vLLM 和 Docker;IBM 的 Granite 4.2 30B 是开放权重版本,其实际可行路径是自托管,没有供应商费率可报。DaisyRose 的第三方列表报价为 每百万输入 token 0.15 美元、每百万输出 token 1.88 美元,这是托管商的初始报价,而非供应商价格,应据此理解。

这对正在做决定的读者意味着,这场比较不能靠换个基础 URL 来解决。两个模型都需要 GPU,而诚实的建议是先做成本更低的实验:如果你的工作负载适合 Granite 4.2 30B 的 128K 原生上下文及其公布的能力表,那么这个模型背后已有别人三个月的踩坑经验,你一天之内就能知道它是否会在你的任务上失败。

怎样才能让这个比较变得真实

在同一个测试框架上跑一次,就能解决这一页的大部分争议。Terminal-Bench 是公开的,任务集是固定的,而且两个模型都能以相当的精度加载到与 llama.cpp 相近的运行时中。如果有人把 DaisyRose 27B 和 Granite 4.2 30B 放在同一个测试框架、相同的采样设置下公布结果,那 46 个百分点的差距就会缩水成它真实的水平——大概会落在两家厂商数字之间的某个位置,因为 DaisyRose 的成绩是在 xhigh 努力度下取两次运行中的最佳值,而 Granite 的成绩则没有附加任何限定条件。

在此之前,站得住脚的解读范围更窄,但仍然有用:在研究生水平的科学任务上,评测框架的影响最小,RadixArk 的模型远远领先于 IBM 的模型,这一差距既不能用运行次数也不能用答案顺序打乱来解释。在指令遵循方面,两者很接近。在终端智能体任务上,没人能说得准,而公布的 46 分差距,至少同样是在衡量两套评测设置,而不只是在衡量两个模型。

对于今天就要做选择的团队来说,决定因素与其说是基准测试表,不如说是成熟度。Granite 4.2 30B 是一个已完成、有文档、已发布三个月的企业级模型,带有多种量化版本和一张多语言表。DaisyRose 27B 是一个为期十八天的强化学习实验,有一组引人注目的厂商数字、一行支撑这些数字的共享结果,且没有任何形式的独立复现。如果工作负载是生产用途且截止期限就在眼前,这一差异就足以定夺。如果工作负载是你可控的智能体,而且你有余力做基准测试,那么 DaisyRose 27B 的 GPQA 和 IFBench 行就足以成为理由,把它放到你今天正在运行的模型所用的同一套测试框架上,看看会发生什么。