一張生成的標題卡寫著「DaisyRose 27B vs Bonsai 27B」,副標題為「相同大小,相反的賭注」,其上方有三張圓角卡片,分別寫著「DaisyRose:52 GB BF16,僅以 RL 進行後訓練」、「Bonsai:3.8 GB 二進位權重」,以及「兩者:262,000 token 上下文,Apache 2.0」,頁腳寫著「DaisyRose 數據依據 RadixArk,2026 年 11 月;Bonsai 數據依據 PrismML,2026 年 7 月。」OrcaRouter 標誌位於右下角。
Guides & Insights

DaisyRose 27B 對 Bonsai 27B:相同大小,相反的押注

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

DaisyRose 27B 與 Bonsai 27B 都是擁有 270 億參數的模型,具備 262,000 個 token 的上下文、Apache 2.0 授權與 Qwen 基礎模型,但在其他各方面幾乎完全相反。DaisyRose 27B 由 RadixArk 於 2026 年 11 月 18 日發布,花費 18 天的 H200 時間與約 63,000 GPU 小時進行強化學習,以提升 27B 模型在代理任務上的表現;它以 52 GB 的 BF16 權重形式發布,需要資料中心 GPU。Bonsai 27B 由 PrismML 於 2026 年 7 月 14 日發布,則把心力投注在相反方向:它採用 27B 模型,並將每個權重壓縮至 1.125 位元,使整體僅佔 3.8 GB,可在手機上運行。兩者都不是更好的模型。它們是對「一個 27B 模型應該花費多少成本」這個問題的兩種不同答案,而你想要哪種答案,完全取決於限制條件是品質還是位元組。

在進行任何比較之前,有一個注意事項,因為它決定了本頁有多少內容可以用算術處理:這兩家廠商沒有任何一項共同的基準測試。RadixArk 報告的是 Terminal Bench、DeepSWE、SWE Bench Pro、HLE、IFBench 和 GPQA Diamond。PrismML 則報告自家一套包含十五項基準測試的套件,外加一個衍生的「智慧密度」數字。沒有任何一列是這兩個模型都曾被測量過的,因此以下內容不會把一個分數減去另一個分數。

每一個是由什麼組成的

系譜是第一項真正的差異,而且很容易被忽略,因為兩者都寫著「Q​wen 27B」。

• DaisyRose 27B — Qwen3.8-27B 的後訓練版本,架構維持不變。相同的分詞器、相同的對話範本、相同的視覺塔、相同的 262,144 個 token 上下文。RadixArk 的訓練只改變了行為,別無其他,並將此成果描述為可直接替換基礎模型。

• Bonsai 27B — Qwen3.6-27B 的低位元重建版本,世代比它舊一代。它不是後訓練模型:語言網路以 1 位元或三值精度端到端重新編碼,嵌入、注意力、MLP 投影與 LM head 皆然,整個主幹中沒有任何可切換至更高精度的例外機制。

那個世代落差對 Bonsai 而言是實實在在的劣勢,而且很少被直白指出。Qwen3.6-27B 是 RadixArk 選擇在其基礎上改進的模型;Bonsai 27B 則是它的壓縮複本。因此,讀者比較這兩者時,不只是拿一個後訓練模型和一個壓縮模型相比,更是拿較新基礎模型的後訓練版本,和較舊基礎模型的壓縮版本相比。同一步裡有兩項變更,而兩家廠商的表格都沒有把它們分開呈現。

兩種包裝,兩種足跡

Bonsai 27B 以同一模型的兩種權重格式推出,而如何在兩者之間選擇,是該版本中唯一真正需要做的決定。

• 二進位封裝 — 權重為 {−1, +1},搭配 FP16 分組縮放,以 GGUF Q1_0_g128 封裝,每權重有效位元數為 1.125。隨附檔案為 3.803 GB;規格卡將部署佔用空間四捨五入至約 3.9 GB。

三元打包 — 在相同縮放比例下的 {−1, 0, +1} 權重。一個三元值可承載 log₂3 ≈ 1.585 位元,因此此表示法的下限約為每個權重 1.71 位元,或理想值 5.9 GB。實際交付的檔案為 7.165 GB,因為目前的核心會將每個三元值儲存在兩位元槽中——每個權重實際部署為 2.125 位元。這個差距是核心限制,而非建模選擇,且 PrismML 同時公布這兩個數字。

DaisyRose 27B 以常規方式推出:BF16 約 52 GB,FP8 約 29 GB,NVFP4 約 23 GB 且僅限 Blackwell。相較於 Bonsai 的 3.803 GB,在二進位端約為十四倍,而且壓縮並非沒有代價——PrismML 自家的測試套件顯示,二進位包達到其全精度基準的 89.5%,三進位包則達到 94.6%。

壓縮實際上是在哪裡付出代價的

PrismML 的類別細分是兩個版本中最有用的內容,因為它顯示出損失並非平均分佈。相較於其自身在十五項基準測試的思考模式套件上得分 85.07 的 FP16 Qwen3.6-27B 基線:

• Binary pack — 整體 76.11,保留率 89.5%。數學從 95.33 降至 91.66,程式設計從 88.74 降至 81.88。指令遵循從 78.47 降至 65.74,代理式與工具呼叫工作從 80.00 降至 66.03,視覺從 72.61 降至 59.57。

三值打包 — 整體 80.49,保留率 94.6%,以多出 3.3 GB 權重為代價,補回了約一半與全精度之間的差距。

把那份清單對照 DaisyRose 27B 的訓練目標來看,這兩個版本就不再能在任何簡單意義上相提並論。Bonsai 27B 壓縮後最弱的類別是代理式任務與工具呼叫,得分 66.03,對比基準 80.00——正好在 RadixArk 花費十八天 GPU 時間改善的領域掉了十五分。一個模型以自身的小型化付出代價,而這代價正是另一個模型耗費算力所換取的貨幣。如果你的工作負載是會在迴圈中呼叫工具的程式設計代理,那麼 Bonsai 27B 的二進位包是本次比較中最不合用的成品,而 DaisyRose 27B 則是最合用的;兩張表裡的其他項目都不會改變這個排序。

A screenshot of the Hugging Face model card for prism-ml/Bonsai-27B-gguf showing the repository header, the 1-bit GGUF description, the headline footprint against FP16, the fifteen-benchmark retention figures and the base model reference to Qwen3.6-27B.

每一項對你的硬體有什麼要求

這正是比較變得具體、而非僅止於修辭之處。

• DaisyRose 27B — 單一 H200、B200 或 GB300,或以 NVFP4 運行的 RTX PRO 6000、RTX 5090 或 DGX Spark。建議的服務路徑是 SGLang,搭配 DSpark 推測解碼草稿器,在四 GPU 節點上以張量平行度 1 部署四個資料平行副本,並使用 FP8 KV 快取。RadixArk 未公布上述任何配置的每秒 token 數。

• Bonsai 27B — 在 CUDA、Metal 或 CPU 上執行 llama.cpp,其 1-bit 與三進位核心位於 PrismML 自家的分支中,而非上游,因此原版 llama.cpp 目前還無法正確載入它們。二進位封包可容納於 12 GB 的手機;三進位封包則需要再多一些餘裕。若同時納入草稿模型與視覺塔,還需再增加約 2.4 GB,因為 3.9 GB 這個標題數字指的是語言權重,而非整體部署。

在任何配置下,這兩者都不會競爭同一個位置。手機上 3.8 GB 的二值模型,與 H200 上 52 GB 的 BF16 模型,彼此並不構成取捨;它們服務的是不同的產品。真正重疊的區間更窄、也更有意思:23 GB 的 NVFP4 DaisyRose 對上 7.2 GB 的三值 Bonsai,兩者都能放進單張消費級顯卡——這才是唯一一個選擇真正是取捨、而非類別之分的地方。

證據,以及證據的數量有多少

Bonsai 27B 推出至今已累積四個月的下載量——三元 GGUF 儲存庫在 2026 年 10 月突破 590,000 次,而二進位包則略高於 400,000 次,兩者的 MLX 容器各自都超過一百萬次。這暗示的是,這個模型大多數是在 Apple 硬體上執行,而不是在伺服器上;而下載它的人,選擇的是多出五個百分點的留存率,而不是最小的檔案。這是使用情況的證據,而非品質證據,但這是一種兩家廠商的基準測試表都無法提供的證據。

DaisyRose 27B 問世三天,尚無獨立評測。它的七行基準測試結果來自 RadixArk,是在 RadixArk 的測試框架上,以 temperature 1.0、top_p 0.95、top_k 20 與 reasoning effort xhigh 測得,並以其 BF16 與 FP8 執行結果中較佳者公布。它與更大規模系統的跨模型比較,引用的是其他各方已公布的數字,而非並排實測,且模型卡已註明此事。

兩個模型從未在同一套評測框架上跑過。任何把 DaisyRose 的數字與 Bonsai 的數字並列、並據此下結論的頁面,都是在虛構一場沒有人實際跑過的比較。

A generated two-column scoreboard titled 'DaisyRose 27B vs Bonsai 27B — the scoreboard'. Left column DaisyRose 27B: Base model Qwen3.8-27B; Weights 52 GB BF16 / 23 GB NVFP4; Training RL-only, 63,000 GPU-hours; Terminal Bench 4.1 12.0; Context 262,144; Licence Apache 2.0. Right column Bonsai 27B: Base model Qwen3.6-27B; Weights 3.803 GB binary / 7.165 GB ternary; Training low-bit compression; Vendor suite 76.11 binary / 80.49 ternary; Context 262,000; Licence Apache 2.0. Footer reads 'DaisyRose figures vendor-reported, November 2026; Bonsai figures vendor-reported, July 2026; no shared benchmark.' The OrcaRouter logo sits in the bottom-right.

該選哪一個

這項決定取決於一個問題,而這不是基準測試的問題:模型是否必須在沒有資料中心的地方運行?

如果是,答案就是 Bonsai 27B,而且具體來說是 ternary pack,除非裝置的記憶體真的極度吃緊。binary pack 在代理式與工具呼叫工作上損失十五個百分點,是兩個版本中最大的單一品質讓步,而 ternary pack 所需付出的 3.3 GB 能換回通往全精度的一半差距。在 12 GB 手機上別無選擇;在任何有 8 GB 可留給權重的情況下,ternary pack 都是更好的成品。

如果答案是否定的——也就是模型是透過 API 或在服務節點上執行——那麼 Bonsai 27B 的核心優勢就會消失,而 DaisyRose 27B 的核心優勢便成為唯一還站得住腳的一項。能放進 H200 的模型,並不是你需要壓縮的模型;在那個位置上選用 Bonsai,你買到的會是一個上限僅達上一代基礎模型 89.5% 或 94.6% 的 27B。RadixArk 的發布正是瞄準這樣的讀者,而要檢驗的主張是:Terminal Bench 4.1 從 5.6 躍升到 12.0 的進步,能否在公開評測框架上重現。

自己進行比較的低成本方法

截至撰寫本文時,DaisyRose 27B 與 Bonsai 27B 都不在 OrcaRouter 的目錄上,本頁也不會假裝它們在。它們的共同祖先是:Qwen3.8-27B 以 qwen/qwen3.8-27b 的形式提供於 每百萬輸入 token $0.33、每百萬輸出 token $2.40,並具備與 DaisyRose 27B 相同的 262,144-token 上下文與視覺塔。用自己的提示詞跑基礎模型,是確認後訓練被要求改善什麼的最便宜方式,而且只需花費幾分錢,而不是租一台 H200。

同一個端點之後也能成為有用的安全網。如果自架的 DaisyRose 部署在任務中途碰到上下文視窗已滿或沙箱故障,一條自動 容錯移轉規則會把請求送往基礎模型,而不是回傳錯誤——得到的是降級的答案,而非失敗的呼叫。這就是整個比較所談論的取捨的實務版本:上限值得付出代價,但前提是它底下還有東西撐著。

能改變這個頁面的,是一套共用的測試框架。如果 PrismML 壓縮 Qwen3.8-27B——也就是 DaisyRose 改良過的基礎模型——這兩個模型終於能相互衡量,而「一個 27B 模型變成 3.8 GB 後會損失什麼」這個問題,也將有一個具體數字,而不只是一個類別。