一张生成的标题卡,上面写着“DaisyRose 27B vs ZWZ2 27B”,副标题为“平均值与前沿”;左侧卡片列出基于 Qwen3.8-27B 的 DaisyRose-27B,报告了七项基准测试,主要指标 Terminal Bench 4.1 为 12.0;右侧卡片列出基于 Qwen3.6-27B 的 ZwZ2-27B,报告了二十五项基准测试,主要均值为 60.51;页脚写着“两张表均为厂商报告;相隔一个基础模型代际”,以及 OrcaRouter 标志。
Guides & Insights

DaisyRose 27B 对比 ZWZ2 27B:平均值与前沿

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

把 DaisyRose-27B 和 ZWZ2-27B放在一起,你会得到 Q​wen 检查点的两次真正的强化学习后训练;它们于 2026 年秋季相隔三周发布,却以两种截然不同的风格报告。DaisyRose-27B 由 RadixArk 于 2026 年 11 月 18 日发布,是针对 Q​wen3.8-27B 的七项基准测试,最大相对增益出现在最难的那一项上。ZWZ2-27B 来自 inclusionAI,是针对 Q​wen3.6-27B、覆盖六个领域的二十五项基准测试,报告为平均分从 55.52 升至 60.51。

一个实验室发布的是前沿水平,另一个发布的是平均水平。这两者不是同一种主张,而这一差异比两张表中任何一个单独数字都更能说明每个模型是做什么用的。

不同的基础,相隔一代

这场对比中最重要的一个事实是:这两个模型并不共享同一个祖先。ZWZ2-27B 基于 Qwen3.6-27B 构建;DaisyRose-27B 基于 Qwen3.8-27B 构建。二者相差一个基础模型代际,这意味着“vs”页面通常进行的那种正面对决在这里根本无从谈起——不是因为缺少数据,而是因为击败上一代基础模型与击败当前代基础模型所说明的问题并不相同。

ZWZ2-27B 自己的模型卡通过将每一项增益都对照 Qwen3.6-27B 报告,清楚地说明了这一点。DaisyRose-27B 的模型卡则对照 Qwen3.8-27B 报告。比较这两个提升数字的读者,实际上是在把一个相对于较旧基座的改进,与一个相对于较新基座的改进放在一起比较,而较新的基座起点更高。任何算术都无法修正这一点,任何诚实的文章也不应试图这样做。

ZWZ2 如何报告自身

ZwZ2-27B 的评估按领域组织,而非按基准难度组织。25 个基准被归入六个领域,每个领域都带有各自的前后平均值:

• 细粒度感知——62.09 至 67.57,在包括 VStar、HR-Bench 8K 和 MME-RealWorld 在内的八个基准测试中提升了 5.48。

• 空间推理——从 49.72 升至 55.98,提升了 6.26,是各领域中增幅最大的。

• 通用视觉推理 — 47.89 至 53.71,提升 5.82,涵盖 MMStar 和 BabyVision。

• 具身空间——50.17 至 55.71,上升 5.54。

• 长上下文 — 65.87 至 68.77,上升 2.90。

• 多模态智能体——从 49.73 升至 51.81,提升 2.08,是增幅最小、也最能说明问题的一项。

总体均值从55.52升至60.51,上升了4.99,inclusionAI表示,微调后的模型在全部二十五项基准测试上都优于基础模型。这是一个关于一致性的强主张,但对任何特定能力而言却是一个弱主张,因为二十五项测试的均值主要由模型原本就擅长的那些测试主导。

DaisyRose 如何描述自身

RadixArk 采取了相反的做法:七项基准测试分别单独报告,并在旁边列出基础模型的得分。Terminal Bench 4.1 从 5.6 提升至 12.0,Terminal Bench 2.1 从 73.0 提升至 75.5,DeepSWE v1.1 从 42.2 提升至 46.2,SWE Bench Pro v2 从 91.3 提升至 94.7,Humanity's Last Exam 从 33.9 提升至 34.3,IFBench 从 79.5 提升至 82.4,GPQA Diamond 从 89.2 提升至 90.7。

没有给出均值,而这正是重点。最引人注目的增益——在 Terminal Bench 4.1 上翻了一倍多——是从一个极低的基线得来的:5.6 已接近下限。而基线本已很强的两项基准——HLE 和 GPQA Diamond——几乎没有变化。整体来看,这张表说明:这次调优换来的是智能体能力,而通用推理则原封未动,这正是一个建立在长程智能体任务上的奖励所应产生的结果。

A generated two-column scoreboard. DaisyRose-27B: base model Qwen3.8-27B, benchmarks published 7, Terminal Bench 4.1 5.6 to 12.0, Humanity's Last Exam 34.3, reporting style individual rows, context 262,144. ZwZ2-27B: base model Qwen3.6-27B, benchmarks published 25, reporting style domain means, context 262,144. Footer reads 'Vendor-reported; the two bases are one generation apart.'

25 项基准均值隐藏了什么

ZWZ2-27B 绝对分数最低的几行才最有意思,而且它自己的模型卡就公布了这些数据:Chartography 12.00、AgentVista 18.18、Perception-Bench 44.93 和 ScreenSpot-Pro 70.59。这些分数与五十多、六十多的领域平均值并列,这意味着均值是被模型擅长的基准拉高的,而真正困难的基准则接近下限。

对于后训练来说,这是正常现象,不应被解读为缺陷。然而,这恰恰是均值会抹掉的信息。一个团队如果读到“60.51”,并期待得到一个在每项任务上都能达到 60% 水平的模型,那么看到 Chartography 只有 12 分时就会大感意外。一个团队如果查看每个基准测试对应的行,就能立刻知道这个模型并非为哪些工作负载而训练。

同样的注意事项反过来也适用于 DaisyRose-27B。它在 Terminal Bench 4.1 上 12.0 的分数是很大的相对提升,但绝对结果很差,而模型卡对这两点都如实说明。两个模型的主打数字都经不起各自明细行的检验。

架构和许可证

两者均原样继承其基础配置。ZWZ2-27B 采用已发布的 Qwen3.6-27B 配置:隐藏层大小为 5,120,64 层,24 个查询头和 4 个键值头,头维度为 256,FFN 为 17,408,以 3:1 的线性注意力与全注意力模式重复十六次,交错式 M-RoPE,RoPE 基数为 1000 万,词表大小为 248,320,原生位置数为 262,144。其视觉塔为 27 层、宽度 1,152,使用 16 像素 patch 和 2×2 合并投影到 5,120。没有多 token 预测层——配置中将其设为零——BF16 权重分两个分片,总计约 54 GB,文档给出的路径为 transformers 5.13.1。

DaisyRose-27B 采用 Qwen3.8-27B 的配置:相同的隐藏维度和层数、相同三比一模式的门控 DeltaNet 线性注意力、一个 0.46B 视觉编码器,以及一个 ZWZ2-27B 所没有的 0.42B 预测头。两者的上下文长度均为 262,144。DaisyRose 以 BF16 发布时约为 52 GB,FP8 为 29 GB,NVFP4 为 23 GB,并提供完整的 SGLang 部署方案;ZwZ2-27B 仅以 BF16 发布。

• 许可证 — 两者均为 Apache-2.0,继承自各自的基础版本。

• 视觉——两者均可接受图像并返回文本;均非纯文本。

• 量化 — DaisyRose-27B 提供三种格式,ZwZ2-27B 仅支持 BF16。

• 服务文档——面向 DaisyRose-27B 的详细 SGLang 方案,包含推测解码;面向 ZwZ2-27B 的 transformers 快速入门。

• 独立评估——撰写本文时,两款模型均无。

Screenshot of the RadixArk release post for DaisyRose-27B captured 21 November 2026, dated November 18, 2026 and headed 'DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency', stating that the model is built on Qwen3.8-27B and trained with reinforcement learning on long-horizon agent tasks with sessions up to 1M tokens, using 1,200 curated tasks in 18 days on 144 GPUs.

感知问题

ZwZ2-27B 的提升集中在感知和空间推理上:细粒度感知提升 5.48,空间推理提升 6.26,具身空间提升 5.54,而 HR-Bench 8K 这类高分辨率基准正属于第一组。DaisyRose-27B 则完全没有报告任何感知基准。它的视觉编码器是继承而来、未经改动,模型卡片中也没有任何内容表明奖励塑造了它。

这种不对称就是决策依据。如果你的工作负载是截图、密集图表、扫描页面或空间布局,ZwZ2-27B 的卡片直接针对这些,而 DaisyRose-27B 的则不是。如果你的工作负载是终端、代码仓库或长时间的工具调用会话,情况则相反:DaisyRose-27B 的卡片上恰恰全是这些行,而 ZwZ2-27B 最弱的领域是多模态智能体,均值为 51.81。

两张卡片作为证据并不比另一张更好。它们是关于不同事物的证据,是在不同规程下产生的;正确的做法是根据每张卡片旨在回答的问题来解读它。

运行它们,并混合它们

DaisyRose-27B 和 ZwZ2-27B 目前都没有托管在 OrcaRouter 上。两者都是你需要自行部署提供服务、或通过第三方平台访问的模型权重,这意味着它们都面临同样的运营问题:两个检查点、两套部署、两组容量决策,而且无法将请求发送给当前可用的那一个。

这正是路由机制被设计出来要处理的场景。当两个模型沿一条清晰的分界线拆分工作负载——一侧是感知,另一侧是智能体式行动——应用最终仍要对请求进行分类,并调用两个不同的端点。OrcaRouter 的路由 DSL让这种分类集中在一处,将两个模型组合成一条单一调用路径,并具备自动故障转移,使过载的自托管部署会回退到第二个端点,而不是返回错误。对于一对如此新、文档又如此稀少的模型,故障转移与其说是为了可用性,不如说是为了不把生产路径押在仅公开三周的权重上。OrcaRouter 还以 0% 加价率透传提供商标价,适用于我们托管的所有内容,因此混合部署中的托管部分按成本而非按倍数定价。

Screenshot of the Hugging Face model page for inclusionAI/ZWZ2-27B captured 21 November 2026, showing 15 likes, the Image-Text-to-Text pipeline tag, Transformers and Safetensors formats, tags for inclusionAI/ZwZ2-RL-VQA, grpo and conversational, two arXiv links, and an Eval Results section.

你的决策该信任哪份报告?

如果你的工作是感知优先,并且你想要一个模型卡能在二十五个基准上记录这一点的模型,就选 {{KEEP}}ZwZ2-27B{{/KEEP}}——并且要看绝对行,而不是均值。如果你的工作是智能体式的,并且你想要一个模型卡能记录相对于其来源基座的具体、可验证的行为变化的模型,就选 {{KEEP}}DaisyRose-27B{{/KEEP}}。如果你需要在投入前进行独立验证,那么两者都不要选:两张表都是厂商报告的,两者都没有 {{KEEP}}Artificial Analysis{{/KEEP}} 分数,而采购团队最想要的那个数字——在你自己的工作负载上的表现——在两份文档里都没有。

真正重要的比较是下一次比较。两家实验室都还处在各自的第一款模型上,二者都基于 Qwen 检查点构建,并且都把强化学习作为整个后训练叙事。如果 inclusionAI 在 Qwen3.8-27B 上推出 ZwZ3,或者 RadixArk 推出第二个 DaisyRose——保留智能体配方并加入感知数据行——那么这两种报告风格终将在一个共享基础模型上相遇,真正的正面对比也就成为可能。在那之前,正确的总结是:这些模型是出于不同目的被评估的,而一个平均模型和一个前沿模型之间的差别,就是问“它总体上更好吗”与问“它在我需要的那件事上更好吗”之间的差别。