一張生成的標題卡寫著「DaisyRose 27B vs Gemma 4 31B」,副標題為「兩個稠密模型,兩種不同任務」,位於三張圓角卡片上方;這三張卡片分別寫著「DaisyRose:27.8B 稠密,僅強化學習後訓練」、「Gemma 4 31B:30.7B 稠密,通用能力」與「GPQA Diamond:90.7 對 84.3」,頁腳寫著「DaisyRose 數據依據 RadixArk,2026 年 11 月;Gemma 4 31B 數據依據 Google DeepMind。」OrcaRouter 標誌位於右下角。
Guides & Insights

DaisyRose 27B 與 Gemma 4 31B:兩個稠密模型,兩種不同任務

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 Gemma 4 31B 是這一系列比較中最接近的一對:兩者皆為稠密模型,參數量都介於 270 億至 310 億之間,皆為多模態並具備 256K token 上下文,皆採用 Apache 2.0,且都在權重之外附帶推測解碼草稿模型。而從各家廠商選擇公布的證據來看,兩者也瞄準不同的買家。Gemma 4 31B 是 Google DeepMind 的通用型模型——一個 30.7B 的稠密模型,具備可設定的思考模式、原生函式呼叫、超過 140 種語言,以及涵蓋從 AIME 到文件解析等各項能力的十四列能力表。DaisyRose 27B 則是 RadixArk 的專精型模型,於 2026 年 11 月 18 日發布,僅以強化學習在長時程代理任務上進行後訓練,並在五列代理式表格上獲得驗證。兩款模型在形態上幾乎相同;但兩家廠商各自提供的證明幾乎毫不重疊。

兩張表中只有一項基準同時帶有這兩個名稱:GPQA Diamond,DaisyRose 27B 報告 90.7,Gemma 4 31B 報告 84.3。一個參數量少了 29 億的模型,在研究所程度的科學考試上高出六點五分,這是本頁最大的頭條,而其餘內容則在說明為何這個頭條比表面上看起來更薄弱。

兩個看起來很相似的架構

去掉品牌包裝後,這兩份規格表的重疊程度比本系列其他任何一組對決都高。

• 參數 — DaisyRose 27B 為 27.8B 稠密模型,其中 0.46B 是視覺編碼器、0.42B 是多符元預測頭;對比之下,Gemma 4 31B 為 30.7B 稠密模型,其視覺編碼器約有 550M 參數。雙方皆未採用專家路由,因此兩者的活躍參數數量都等於總參數。

• 上下文 — DaisyRose 27B 為 262,144 個詞元;Gemma 4 31B 為 256K。實際上,兩者上限相同。

• 模態 — 兩者皆支援文字與圖像輸入、文字輸出。兩種尺寸皆不提供音訊;在 Gemma 方面,音訊僅限於家族中的 E2B、E4B 與 12B 成員。

• 授權條款 — 兩者皆採用 Apache 2.0,並於兩份模型卡上註明。

長上下文技術——Gemma 4 31B 以 60 層、1,024 個 token 的本機滑動視窗與完整全域注意力交錯,並在全域層中使用統一的鍵與值及比例式 RoPE 來達成。DaisyRose 27B 原封不動地承襲 Qwen3.8-27B 的架構,這是從不同設計脈絡得出的同一種混合注意力構想。

它們真正有差異的兩處,正是決定模型用途的關鍵。Gemma 4 31B 提供可設定的思考模式、原生函式呼叫,以及對 system 角色的明確支援。DaisyRose 27B 則提供與其基礎模型相同的聊天模板,以及一次將全部預算投注於終端與工具行為、而非廣度上的訓練作業。

他們共用的唯一一行

GPQA Diamond(198 道研究所程度的科學問題)是兩張卡都公布的唯一基準測試,而這兩個數字背後的配置並非同一種測量。

DaisyRose 27B 的 90.7 來自使用 simple-evals 範本對 198 道題目進行的八次執行,且每次答案順序都重新洗牌,並以其 BF16 與 FP8 執行中較佳者回報。Gemma 4 31B 的 84.3 則是 Google 模型卡上的單一數字,該表本身未註明執行次數,也未註明所使用的測試框架。

所以這個落差是真實的,因為兩家廠商都在同一個基準名稱下公布了數字;但它也是軟性的,因為一方有八次執行與重新洗牌協定,另一方的做法則只是腳註。六點五分大約等於 198 題中的三十三題。這比 198 題集合上的取樣雜訊還大,但那種規模的測試框架差異並非聞所未聞,而且兩家廠商都沒有跑過對方的評估。

這一列之所以比單一分數更有意思,在於它相對於每個模型基準的位置。DaisyRose 27B 將 GPQA Diamond 從 Qwen3.8-27B 的 89.2 提升到 90.7——十八天的強化學習帶來 1.5 分的增益。Gemma 4 31B 得分 84.3,比自家 26B A4B 兄弟模型的 82.3 高 2 分。在這項基準上,兩個模型都接近其預訓練所達到的水準,而後訓練對兩者都沒有太大改變。如果你要在研究所科學程度上從兩者中選擇,這六分的差距主要是基礎模型差距,而不是訓練配方差距。

A screenshot of the Hugging Face model card for google/gemma-4-31B-it showing the repository header, the dense 30.7B description, the 256K-token context, the Apache 2.0 licence and the benchmark comparison table against Gemma 4 26B A4B.

只有一方填寫的表格

這裡的比較不再只是比較,而變成了一種證據選擇。G​oogle 發布了一般能力表,RadixArk 則發布了代理式能力表,而兩者彼此沒有重疊。

Gemma 4 31B 的模型卡載有 MMLU Pro 85.2、AIME 2026 在不使用工具下 89.2、LiveCodeBench v6 80.0、Codeforces ELO 2150、Tau2 76.9、HLE 在不使用工具下 19.5、使用搜尋時 26.5、BigBench Extra Hard 74.4、MMMLU 88.4、MMMU Pro 76.9、MATH-Vision 85.6、MedXPertQA MM 61.3、OmniDocBench 1.5 為 0.131,以及 MRCR v2 在八個 needle 與 128K 上下文下 66.4。沒有 Terminal Bench 列、沒有 SWE-bench 列,也沒有 IFBench 列。

DaisyRose 27B 的模型卡列出 Terminal Bench 4.1 為 12.0,基準值為 5.6;Terminal Bench 2.1 為 75.5;DeepSWE v1.1 為 46.2;SWE Bench Pro v2 為 94.7;IFBench 為 82.4,另外 HLE 純文字為 34.3,GPQA Diamond 為 90.7。完全沒有 MMLU Pro、AIME、Codeforces 和視覺基準測試的列項——儘管該模型搭載視覺編碼器。

那個配對中有兩處不對稱值得指出。第一處是 HLE:RadixArk 回報未使用工具時為 34.3,Google 回報未使用工具時為 19.5、使用搜尋時為 26.5。即使讓 Gemma 4 31B 採用其工具輔助設定,DaisyRose 27B 的數字仍高出近八個百分點——但評分者不同,因為 RadixArk 每個問題用 GPT-6 Luna 跑了五次,而 Google 未說明其評分設定。第二處是視覺:DaisyRose 27B 搭載 0.46B 視覺編碼器,且完全未公布任何視覺基準,因此其多模態能力在公開領域未經測量。Gemma 4 31B 公布了 MMMU Pro、MATH-Vision、OmniDocBench 與 MedXPertQA。如果你需要圖像理解,這些模型中有一個有證據,另一個則只有編碼器。

記憶體、格式,以及每次下載的成本

兩個模型在全精度下都是 52 到 63 GB,這使它們屬於同一硬體等級,也讓格式清單成為比較中有用的部分。

DaisyRose 27B — BF16 約 52 GB,FP8 約 29 GB,NVFP4 約 23 GB 且僅限 Blackwell,另外 RadixArk/Qwen3.8-27B-DSpark 可作為 SGLang 的推測性解碼草稿模型。參考配置為在四 GPU 節點上以張量平行度 1 部署四個資料平行複本、262,144 個 token 的上下文,以及 FP8 KV 快取。RadixArk 列出可在 H200、B200、GB300、RTX PRO 6000、RTX 5090 與 DGX Spark 上進行單 GPU 部署。

Gemma 4 31B — 以 bfloat16 格式分置於兩個 safetensors 分片,分別約 49.8 GB 與 12.8 GB,合計約 62.5 GB。一個 17.7 GB 的 QAT Q4_0 GGUF,加上 1.2 GB 的視覺投影器,在 KV 快取之前約 18.9 GB,這讓 Gemma 系列最頂級的稠密模型得以跑在一張 24 GB 的消費級顯示卡上。另有供 vLLM 使用的 23.3 GB QAT w4a16 compressed-tensors 版本、一個未量化、承載 QAT 權重而未經打包的 Q4_0 檢查點,以及一個 0.94 GB 的多 token 預測草稿模型。

GGUF 路線是具體差異所在。G​oogle 推出自家打造的 4-bit 版本,能裝進 24 GB 的顯示卡;RadixArk 則推出三種精度,並期望你透過 SGLang 來提供服務。對一個有工作站、但沒有 serving stack 的團隊來說,這不是難以取捨的抉擇——一個下載就能跑,另一個則需要部署。

有個容易踩雷的細節:Gemma 的模型卡要求推測解碼輔助模型必須符合目標檢查點的精度,因此 0.94 GB 的草稿模型是搭配 QAT 31B 目標,而不是 bfloat16 版本。RadixArk 的草稿模型是以 Qwen3.8-27B 命名,並搭配 DaisyRose 27B 自家的 FP8 建置。

A generated two-column scoreboard titled 'DaisyRose 27B vs Gemma 4 31B — the scoreboard'. Left column DaisyRose 27B: parameters 27.8B dense; training RL only, 63,000 GPU-hours; context 262,144 tokens; GPQA Diamond 90.7; HLE no tools 34.3; formats BF16, FP8, NVFP4. Right column Gemma 4 31B: parameters 30.7B dense; training general pretrain plus post-train; context 256K tokens; GPQA Diamond 84.3; HLE no tools 19.5; formats BF16, QAT Q4_0 GGUF, w4a16. A footer reads 'Both vendor-reported; only GPQA Diamond is published on both cards.' The OrcaRouter logo sits in the bottom-right.

成本,以及有價格的那一個

Gemma 4 31B 即日起在 OrcaRouter 上以 google/gemma-4-31b-it 提供,價格為 每百萬輸入 token 為 $0.13、每百萬輸出為 $0.38,支援可設定的思考功能、原生函式呼叫與 256K 上下文。-it 後綴是用戶端傳入字串的一部分。

DaisyRose 27B 沒有廠商託管的價格。RadixArk 的網站說明其為其他實驗室提供訓練與服務,且未發布 DaisyRose 端點;模型卡僅指向透過 SGLang、vLLM 和 Docker 自行託管。第三方上架資訊報價為每百萬輸入 token 0.15 美元、每百萬輸出 token 1.88 美元,這只是某家託管商的起始報價,而非廠商費率。

把這些並列來看,託管方案的比較結果與基準測試表的方向正好相反:Gemma 4 31B 每百萬輸入 token 為 13 美分,第三方託管商則是 15 美分,但輸出方面則是 38 美分對上 1.88 美元。在生成密集的工作負載上,這是有利於較大模型的五倍差距,而這差距的存在有其結構性原因——Gemma 4 31B 已有成熟的託管層級,有多家供應商在其上競爭,而 DaisyRose 27B 只有一個託管商,且僅有三天的歷史。

A screenshot of the OrcaRouter model catalogue page for google/gemma-4-31b-it showing the model listing, the 30.7B dense description, the 256K-token context and the per-million-token pricing.

每個模型是為了哪項工作而打造的

誠實的總結是,這些模型並不是在爭奪同一筆採購,而基準測試表也以拒絕重疊來證明這一點。

Gemma 4 31B 是你要的模型,如果你需要廣度:可調降的思考模式、能與現有工具結構描述搭配運作的函式呼叫、140 多種語言、公開的視覺評估、可在工作站上執行的量化版本,以及每百萬輸入 token 十三美分的託管價格。對一般產品而言,這是穩妥的選擇,而選錯的代價只是幾美元的 API 花費。

如果你正在打造終端機代理,而且有能力自行託管,DaisyRose 27B 就是你要的模型。它的 Terminal Bench 4.1 成績是自身基礎模型的兩倍以上,SWE Bench Pro v2 達到 94.7,IFBench 則為 82.4,是 RadixArk 比較表上最高的。這些數字全都是廠商自行提報,沒有一項經過獨立重現,而且這個模型才推出三天。不過,這項宣稱的輪廓夠具體,足以實際驗證:拿你自己的代理軌跡去跑 Qwen3.8-27B——可透過 qwen/qwen3.8-27b 使用,每百萬輸入 token 0.33 美元、每百萬輸出 token 2.40 美元,同樣具備 262,144 個 token 的上下文與視覺塔——看看 RadixArk 透過訓練消除的失效模式,是不是你實際遇到的那一種。

這也是在這兩者之間做決定最便宜的方法。Gemma 4 31B 與 Qwen3.8-27B 都只要透過一個 OrcaRouter 金鑰就能存取,不必簽第二份合約,也不必改程式碼,且相對各家供應商的定價,加價幅度為 0%,因此任一方的價格一有變動,當天就會反映到你這裡。如果 Gemma 4 31B 足以處理你的代理迴圈,你花十三美分就搞定了。如果它不行,而基礎模型也在同一個地方失敗,那麼接下來值得花錢的選項,就是在 H200 上進行為期十八天的 RL 後訓練——到那時,你就會知道買它是為了修正什麼。