一張標題卡寫著「DaisyRose 27B vs Granite 4.2 30B」,副標題為「在 Terminal Bench 2.1 上相差 46 分」,位於三張卡片上方,卡片分別寫著「DaisyRose:27.8B 稠密,Terminal Bench 2.1 上為 75.5」、「Granite 4.2 30B:30B 稠密,Terminal Bench 2.1 上為 29.24」,以及「兩者:Apache 2.0,自託管優先」,頁腳寫著「兩項數據皆由廠商提供,依據各廠商自家的測試框架。」OrcaRouter 標誌位於右下角。
Guides & Insights

DaisyRose 27B 對比 Granite 4.2 30B:46 分,兩套測試框架

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 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。

A screenshot of the Hugging Face model card for ibm-granite/granite-4.2-30b, showing the model summary with 30B dense parameters, the 128K native context with 512K extension, the Apache 2.0 licence, the three reasoning modes and the benchmark table including GPQA 66.41 and Terminal-Bench 2.1 at 29.24.

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。

A generated two-column scoreboard titled 'DaisyRose 27B vs Granite 4.2 30B — the scoreboard'. Left column DaisyRose 27B: Parameters 27.8B dense; Context 262,144 tokens; Terminal Bench 2.1 75.5; GPQA Diamond 90.7; IFBench 82.4; Released 18 November 2026. Right column Granite 4.2 30B: Parameters 30B dense; Context 128K native, 512K extended; Terminal Bench 2.1 29.24; GPQA Diamond 66.41; IFBench 77.17; Released 25 August 2026. Footer reads 'Both vendor-reported on separate harnesses; the Terminal-Bench rows were not run the same way.' The OrcaRouter logo sits in the bottom-right.

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。