
DaisyRose 27B 对比 Granite 4.2 30B:46 分,两套测试框架
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 494 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百万 tokens · 385 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 94 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
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。

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。

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。
