
DaisyRose 27B 對比 Gemma 4 26B A4B:27.8B 稠密 vs 3.8B 啟用
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 494 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百萬 tokens · 385 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 94 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 290 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 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 每百萬 tokens · 215 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 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 每百萬 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
DaisyRose 27B 與 Gemma 4 26B A4B 是同一重量級的模型,成本結構卻截然不同,而價格這一行比任何基準測試都更快地讓這一點具體可見。Gemma 4 26B A4B——252 億個參數,其中每個 token 會讀取 38 億個——由 OrcaRouter 提供服務,價格為每百萬輸入 token 0.06 美元、每百萬輸出 token 0.33 美元。DaisyRose 27B 是 RadixArk 僅以強化學習對 Qwen3.8-27B 進行後訓練、於 2026 年 11 月 18 日發布的模型;它具有 278 億個稠密參數,每個 token 都會讀取全部參數,以 52 GB 的 BF16 權重形式提供,沒有廠商託管的 API,且至少需要資料中心 GPU 才能運行。一個是按分計價租用的模型,另一個是你自行部署的模型。這項比較中的其餘一切皆由此而來。
基準測試的全貌確實很有意思,也確實不完整:這兩個模型恰好只有兩筆公開資料列重疊,也就是 GPQA Diamond 和 Humanity's Last Exam;而在這兩項上,DaisyRose 27B 領先的幅度遠大於參數量的差距。這個領先幅度在改用共用測試框架後是否仍然成立,是這個頁面無法回答的問題,而頁面也如實表明了這一點。
名稱即規格
Gemma 4 26B A4B 的標籤承載其路由策略,而 Google 自家的模型卡直接說明讀法:「26B A4B 中的『A』代表『活躍參數』,相對於模型所含的參數總數。」
• 參數總量 — 25.2B。• 每個 token 啟用量 — 3.8B。• 專家配置 — 128 個專家中啟用 8 個,外加 1 個共享專家,依每個 token 選擇。共享專家永遠會被讀取,因此啟用參數量並非單純總量的 8/128。• 層數 — 30,具備 1,024-token 滑動視窗。
DaisyRose 27B 沒有這類結構可描述。它是一個稠密 Transformer:27.8B 個參數,其中 0.46B 是視覺編碼器,0.42B 是多 token 預測頭,輸入與運算之間沒有路由器。每個 token 都要為每個權重付出代價。
實務上的結果是:最能區分這些模型的,是一個比任何基準測試都更有力的數字。一個活躍參數為 3.8B 的稀疏模型,執行速度接近 4B 模型,卻承載著 25B 模型的記憶體佔用——Google 的模型卡直言如此,稱這個 MoE 變體執行起來「幾乎和 4B 參數模型一樣快」。稠密 27.8B 模型則以 27.8B 模型的速度執行,而沒有人公布過那個速度:RadixArk 的模型卡在任何硬體配置下都沒有提供每秒 token 數。
RL 買到了什麼,又沒買到什麼
DaisyRose 27B 的訓練,是這項比較中 Gemma 一方沒有對應項目的部分。RadixArk 只使用了強化學習——沒有監督式微調階段,也沒有蒸餾——針對約 1,200 個以 Eigent AI 建構的精選長時程代理任務進行訓練,工作階段最高達一百萬個 token,在 144 張 H200 上進行了十八天,約 63,000 GPU 小時。目標並非全面提升通用能力,而是針對特定能力:讓 27B 更擅長「讀取任務、呼叫工具、讀取結果、修正錯誤」的循環。
這會出現在兩個模型實際可比較的列中,而且它並非一致地出現。
• GPQA Diamond — DaisyRose 27B 為 90.7,對比 Gemma 4 26B A4B 的 82.3。兩者皆為廠商回報:RadixArk 的數字是使用 simple-evals 範本並重新洗牌答案順序,在 198 道題目上進行八次執行所得;Google 的則是模型卡上單一公布的數字。
• Humanity's Last Exam,無工具 — DaisyRose 27B 的 34.3 對上 Gemma 4 26B A4B 的 8.7。這是兩張表中最大的差距,也是最不該輕信的一項,因為設定不同:RadixArk 對每道題跑五次,以 GPT-6 Luna 擔任評分者,且不使用工具;Google 的 8.7 是無工具數據,允許模型使用搜尋工具時則為 17.2。
兩列資料並不構成比較,而且兩家廠商都沒有跑過對方的測試框架。HLE 差距確實暗示——而這只是暗示,不是測量——針對長時間代理式工作階段所設計的後訓練,會以某種方式遷移到困難的推論題目,而為廣泛能力預先訓練的稀疏架構則不會。它沒有顯示的是,效果有 25 分,因為測試框架不同,而且這兩個數字之一來自一個在其較佳配置下被賦予工具的模型。

僅單側具有的列
兩張卡都公布了對方沒有公布的基準測試,而這種不對稱本身就頗具啟示意義,從中可以看出各家廠商認為什麼才值得證明。
Gemma 4 26B A4B 公布了完整的一般能力表:MMLU Pro 82.6、AIME 2026 無工具 88.3、LiveCodeBench v6 77.1、Codeforces ELO 1718、Tau2 三次平均 68.2、BigBench Extra Hard 64.8、MMMLU 86.3、MMMU Pro 73.8、MATH-Vision 82.4,以及 MRCR v2 在 8 needles、128K 脈絡下為 44.1。卡上沒有 Terminal Bench、SWE-bench 與 IFBench 的列。
DaisyRose 27B 改為公布代理式與指令遵循的一組評測:Terminal Bench 4.1 為 12.0,對比 5.6 的基準;Terminal Bench 2.1 為 75.5;DeepSWE v1.1 為 46.2;SWE Bench Pro v2 為 94.7;IFBench 為 82.4。模型卡上沒有 MMLU Pro、AIME 與 Codeforces 的欄位。
兩張表一起看,描述的是不同的產品。Google 正在發布一個通用模型,並在標準學術評測套件中證明其表現。RadixArk 正在發布一個代理模型,並在標準代理評測套件中證明其表現。重疊部分大約二十列中只有兩列,而買家在兩者之間做選擇時,主要是在選擇自己在意哪一套評測——這比分數欄位所呈現的決定簡單得多。
各自在哪裡執行
這一節會決定大多數讀者如何看待這項比較,因為雙方的部署歷程完全沒有交集。
• Gemma 4 26B A4B — 即日起於 OrcaRouter 上提供,每百萬輸入 token 收費 0.06 美元、每百萬輸出 token 收費 0.33 美元,同時還有由 Obsidian 託管的同架構版本。開放權重採用 Apache 2.0 授權,提供 bfloat16 格式(約 51.6 GB,分為兩個分片)、經量化感知訓練的 Q4_0 GGUF(可放入單張消費級顯示卡)、供 vLLM 使用的 w4a16 compressed-tensors 版本,以及用於推測性解碼的多 token 預測 drafter。Google 的系列文章指出,兩個較大尺寸「能有效率地放入單張 80GB NVIDIA H100 GPU」。
• DaisyRose 27B — BF16 約 52 GB,FP8 約 29 GB,NVFP4 約 23 GB 且僅支援 Blackwell,另含適用於 SGLang 的 DSpark 推測解碼草稿模型。RadixArk 列出可在 H200、B200、GB300、RTX PRO 6000、RTX 5090 與 DGX Spark 上進行單 GPU 部署。目前沒有託管 API 價格;第三方刊登價格為每百萬輸入 token 0.15 美元、每百萬輸出 token 1.88 美元,這只是某家託管服務商的初始報價,而非供應商費率。
那些數字顯示,託管成本差距在輸入上約為兩倍半、在輸出上接近六倍,而且有利於第三方。這是按標價所做的誠實比較。這也是只要工作負載變長就會改變的比較:稀疏模型每個 token 持續付出 3.8B 的運算量,而稠密模型付出 27.8B,因此差距會先在延遲與硬體秒數上擴大,遠早於在每百萬 token 的美元成本上擴大。

代理式訓練每美元的價值是多少
這個比較有意思的地方不是「哪個分數更高」,而是「代理式提升每項任務的代價是什麼」。RadixArk 的模型之所以存在,是因為其基礎模型 Qwen3.8-27B 在 Terminal Bench 4.1 上得分 5.6,經過後訓練後達到 12.0。如果你正在運行一個會執行指令的程式設計代理,這就是一個大多時候做不到的模型,與一個有時能做到的模型之間的差異,而把小數字翻倍,對合適的買家來說值得真金白銀。
Gemma 4 26B A4B 完全沒有 Terminal Bench 的數據,這使得其價值主張無法從公開資料中衡量。但它確實有一項讓實驗變得便宜的價格:每百萬輸入 token 只要 0.06 美元,你就能以一小時 H200 的成本跑幾千條 agent 軌跡,並弄清楚模型是否會以對你的工作負載有影響的方式失敗。稀疏架構讓這件事便宜了兩次——token 價格低,而且 token 回傳速度快。
這才是真正決策的樣貌。DaisyRose 27B 是專家型後訓練模型,具備特定、由供應商報告的代理式能力主張,且沒有託管價格。Gemma 4 26B A4B 是通用模型,擁有廣泛公開的能力表、快速的推論配置,以及以每百萬個 token 幾美分計的標價。如果你的任務是長時程工具使用,而且你能自行託管,那麼這個專家模型值得做基準測試。如果你的任務是其他任何用途,或者你無法自行託管,那麼定價 $0.06 的通用模型會在唯一重要的軸線上勝出。
從一個按鍵同時執行兩者
Gemma 4 26B A4B 今天已在 OrcaRouter 上線,型號為 google/gemma-4-26b-a4b-it,價格為每百萬輸入 token 0.06 美元、每百萬輸出 token 0.33 美元,支援 262,144 token 上下文,以及文字、圖像和影片輸入。撰寫本文時,DaisyRose 27B 尚未收錄於型錄中,本頁也不會暗示相反——它是透過 SGLang、vLLM 和 Docker 自行託管的發布版本。
不過,它的基礎模型確實是。Qwen3.8-27B 以 qwen/qwen3.8-27b 提供服務,每百萬輸入 token 收費 $0.33、每百萬輸出 token 收費 $2.40,並具備相同的 262,144-token 上下文,以及後訓練所保留的同一套視覺塔。這為讀者提供兩項實用價值:一個同系列基準模型,可在決定 RL 後訓練是否值得部署前,先用自己的提示詞跑一遍;以及一條備援路徑。如果自架的 DaisyRose 執行個體遇到沙箱逾時,一項路由規則可以將呼叫轉交給基礎模型,而不是直接丟棄;而且由於我們以 0% 加價轉遞供應商定價,任一端的廠商價格變動都會在生效當天反映到同一組金鑰。
最便宜的下一步不是跑基準測試:而是按這個順序,在你自己的 agent 軌跡上跑 Gemma 4 26B A4B 和 Qwen3.8-27B——先跑便宜的模型,看你的任務究竟在哪裡失效,再跑較貴的基準,看失效是不是基礎模型本身的問題。只有在這之後,十八天的 RL 後訓練才有可供對照驗證的目標。
本文中的比較1
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
