
DaisyRose 27B 對比 Granite 4.2 30B:46 分,兩套測試框架
- 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 Granite 4.2 30B 都在 Terminal Bench 2.1 上回報了分數。DaisyRose 27B 是 RadixArk 於 2026 年 11 月 18 日發布、僅以強化學習對 Qwen3.8-27B 進行後訓練的模型,得分 75.5,而其基礎模型為 73.0。Granite 4.2 30B 是 IBM 於 2026 年 8 月 25 日發布的稠密 300 億參數模型,得分 29.24。在同一個基準名稱上,兩個規模幾乎相同的稠密模型之間出現了 46 分的差距,而自然得出的結論——DaisyRose 27B 在代理式終端工作上的能力是前者的兩倍半——幾乎肯定是錯的。這兩個數字並非以相同方式產生,而本頁在很大程度上要說明的是:46 分的差距為何可能比看起來更小。
這兩個模型的共同點比那個差距所暗示的還要多:兩者都是稠密模型,參數量大約都在 300 億,都採用 Apache 2.0,都是開放權重釋出、沒有廠商託管的 API 價格可引用,也都專門針對沙箱內的代理式工具使用進行訓練。就架構與設計意圖而言,它們是這一系列中彼此最匹配的一對,而這正是為什麼它們規格卡上的數字值得仔細閱讀,而不是直接相減。
46個百分點差距的剖析
先從各家廠商說明這個數字是如何得出的開始,因為兩張卡都異常明確,而且它們描述的是不同的測量方式。
• DaisyRose 27B — 每項任務在 Terminus 2 測試框架上執行五次。比較卡片明確列出 Terminus 2,並註明執行次數。取樣設定為 temperature 1.0、top_p 0.95、top_k 20、reasoning effort xhigh,而公布的分數是 BF16 與 FP8 執行結果中較佳者。
• Granite 4.2 30B — 在 Terminal-Bench 2.1 上獲得 29.24 分,於模型卡中僅以單一表格列呈現。該模型卡詳細記錄了此系列的代理式訓練——先對經上取樣的代理式軟體工程資料進行第二輪監督式微調,接著在沙箱中進行代理式強化學習,執行 SWE-bench 風格的任務、終端機操作與網頁搜尋——但 Terminal-Bench 那一列本身並未註明執行次數、測試框架名稱或取樣設定。
那種不對稱就是這 46 分的全部關鍵。一家廠商公布了在最大推理強度下、經過五次執行且完整量測的分數;另一家只公布了一個表格儲存格。在推理強度為 xhigh 時,Terminal-Bench 的結果相較於同一個模型在預設設定下,可能相差數十分,因為該基準是一連串 shell 命令,模型思考得越久,就有越多機會從自身錯誤中恢復。把盡力而為、高強度、五次執行的數字,拿來跟一個未加限定說明的單一數字相比,根本算不上比較。
還有第二種不對稱,更細微也更有趣。DaisyRose 27B 自己的基礎模型 Qwen3.8-27B,在同一張卡片的同一列上得分 73.0。所以 RadixArk 的後訓練讓 Terminal Bench 2.1 提升了 2.5 分,而與 Granite 的 46 分差距中,44 分來自基礎模型差異,2 分來自訓練。在這個基準上,區分這兩家廠商的一切都取決於起點,而非強化學習。
在桌子交會之處
另有兩列是共用的,而且兩者都比 Terminal-Bench 更具可比性。
• GPQA Diamond — DaisyRose 27B 在 198 題、答案順序重新洗牌的八次執行中取得 90.7;Granite 4.2 30B 為 66.41。這 24 分的差距,沒有任何評測框架差異能合理解釋。DaisyRose 的基礎模型得分為 89.2,因此後訓練為一個原本就已大幅領先的基礎模型增加了 1.5 分。
• IFBench — DaisyRose 27B 在 300 個提示詞上執行四次,使用官方 allenai 評分器,得到 82.4;採嚴格提示詞層級準確率,排除思考內容。Granite 4.2 30B 為 77.17,卡片上標示為「prompt」。兩者相差 5 分,也是兩張卡片上最接近真正平手的結果。
GPQA 的數字才是真正會改變讀者對這場對決看法的關鍵。Granite 4.2 30B 是 IBM 為企業代理式工作打造的模型——經過測試的十二種語言、三種推理模式、工具呼叫、原生 128K 上下文可擴展至 512K——而它在研究所程度的科學測驗上得分 66.41。DaisyRose 27B 得分 90.7。無論 Terminal-Bench 在測試框架上有什麼但書,研究所科學題目並沒有能讓分數相差 24 分的測試框架,而誠實的解讀是,RadixArk 的基礎模型 Qwen3.8-27B 的 89.2 分,就是比 IBM 起步所用的基礎模型更強的推理模型。

兩種截然不同的代理式訓練理念
兩個模型都受過在沙箱內運作的訓練,而這兩份關於該訓練的描述,是兩張卡片中最能揭示內情的部分。
RadixArk 的做法是盡可能少改動。DaisyRose 27B 保持 Qwen3.8-27B 的架構、分詞器、聊天模板、視覺塔與 262,144 個 token 的上下文不變,並對約 1,200 項精心策劃的長程任務套用強化學習,這些任務以 Eigent AI 建構——旨在串接多個問題、抵抗獎勵作弊,並在長達一百萬個 token 的會話中執行。十八天、144 張 H200、63,000 GPU 小時、約 944,000 個沙箱。沒有監督式微調,也沒有蒸餾。
IBM 的做法是分階段改變行為。Granite 4.2 30B 系列接受了第二輪監督式微調,使用經過上採樣的代理式軟體工程資料,接著進行代理式強化學習,讓模型在沙箱中執行 SWE-bench 風格的任務、終端機操作與網路搜尋。模型卡明確指出,30B 是該系列在推理密集型與代理式工作上表現最強的版本。它還附有完整的通用能力表、十二種測試語言、三種思考模式,以及內建的思維鏈。
兩家廠商的訓練描述都無法預測對方的基準測試概況,而表格呈現的正是如此:DaisyRose 27B 在偏重推理的列上明顯領先,卻未公布任何多語言或視覺方面的數據;Granite 4.2 30B 則在企業套件中全面公布——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——並在兩者於科學領域重疊之處拿下 66.41。
上下文、記憶與部署歷程
Granite 的 512K 擴充是真正的差異化優勢,這點無法從任何一列基準測試數據看出來,而且值得精確說明這張卡所聲稱的內容:128K 原生、「長上下文擴充至 512K」,模型表中列出的序列長度為 131,072。擴充不等同於原生,而卡上的 RULER 數據顯示了代價——同一模型在 64K 為 89.96,在 128K 則為 81.38。DaisyRose 27B 則採取相反立場:固定 262,144 個詞元,沒有長上下文變體,承襲自 Qwen3.8-27B,而 RadixArk 指出,它自身的長思考執行可達數萬個詞元,實務上該視窗有相當大一部分就耗費在那裡。
• DaisyRose 27B 權重 — BF16 約 52 GB,FP8 約 29 GB,NVFP4 約 23 GB 且僅支援 Blackwell,另加 Qwen3.8-27B-DSpark 推測解碼草稿模型。RadixArk 建議使用搭載 DSpark 的 SGLang,並發布一套配備 FP8 KV 快取的四 GPU 參考配置。
• Granite 4.2 30B 權重——約 29B 以 bfloat16 儲存,Apache 2.0 授權,並隨 BF16 版本一併提供 FP8、NVFP4/MXFP4 與 GGUF 量化版本。在 30B dense 規模下,它的記憶體等級與 DaisyRose 的 BF16 版本相近,因此兩者誰都沒有值得爭論的記憶體佔用優勢。
部署上的差異在於支援,而非規模。Granite 4.2 30B 已可下載並執行三個月,IBM 已針對多個執行環境發布其量化版本,且已有生態系中的人實際遇過它的故障模式。DaisyRose 27B 才推出三天,有三種精度、一條建議的服務路徑,且尚未公布任何硬體配置的吞吐量數據。

這兩者都不在這裡的託管端點上
這是比較中最不令人滿意的部分,值得直說:DaisyRose 27B 與 Granite 4.2 30B 都沒有出現於OrcaRouter 的目錄(撰寫本文時)。RadixArk 並未發布託管的 DaisyRose API,而是指向 SGLang、vLLM 和 Docker;IBM 的 Granite 4.2 30B 是開放權重版本,其實際途徑是自行託管,沒有供應商費率可報。DaisyRose 的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,這是託管商的初始報價,而非供應商價格,應以此理解。
這對正在猶豫如何選擇的讀者意味著:這項比較無法只靠切換 base URL 就定案。兩個模型都需要 GPU,而誠實的建議是先做成本較低的實驗:如果你的工作負載符合 Granite 4.2 30B 的 128K 原生上下文與其公布的能力表,那麼這個模型背後已有三個月別人踩雷的經驗,而且你可以在一天內知道它是否會在你的任務上失敗。
要怎樣才能讓這個比較成真
在同一套測試框架上跑一次,就能為本頁的大部分爭議定論。{{1}}Terminal-Bench{{/1}} 是公開的,任務也是固定的,而兩個模型都能在與 {{2}}llama.cpp{{/2}} 相近的執行環境中,以相當的精度載入。如果有人在同一套測試框架、相同取樣設定下,公布 {{3}}DaisyRose 27B{{/3}} 與 {{4}}Granite 4.2 30B{{/4}} 的結果,那 46 分的差距就會縮小到它真正的大小——大概會落在兩家廠商數字之間的某處,因為 {{5}}DaisyRose{{/5}} 的是在 xhigh 努力程度下取兩次最佳,而 {{6}}Granite{{/6}} 的則未註明條件。
在那之前,站得住腳的解讀更為狹窄,但仍然有用:在研究所程度的科學領域,測試框架的影響最小,RadixArk 的模型遠遠領先 IBM 的模型,其差距既不是執行次數,也不是答案順序洗牌所能解釋。在指令遵循方面,兩者接近。在終端代理工作上,沒有人能斷言,而公布的 46 分差距,至少同樣程度地反映出兩套評估設置的差異,而不只是兩個模型的差異。
對今天做選擇的團隊而言,決定因素與其說是基準測試表,不如說是成熟度。Granite 4.2 30B 是一個已完成、有文件記載、推出三個月的企業級模型,具備量化版本與多語言能力表。DaisyRose 27B 則是一項為期十八天的強化學習實驗,有一組引人注目的廠商數據、僅一行共用資料支持這些數據,且完全沒有獨立重現。如果工作負載是生產環境,且期限就是現在,這個差異就決定了一切。如果工作負載是你可控的代理,且你有餘裕進行基準測試,DaisyRose 27B 的 GPQA 和 IFBench 列就足以構成理由,把它放上與你目前運行模型相同的測試框架,看看會發生什麼事。
