一張生成的標題卡,上頭寫著「DaisyRose 27B 對 ZWZ2 27B」,副標題為「平均值與前沿之比較」;左側卡片列出基於 Qwen3.8-27B 的 DaisyRose-27B、回報七項基準測試,以及 12.0 的 Terminal Bench 4.1 頭條成績;右側卡片列出基於 Qwen3.6-27B 的 ZwZ2-27B、回報二十五項基準測試,以及 60.51 的頭條平均值;頁尾寫著「兩張表皆為廠商回報;相差一個基礎世代」,並附有 OrcaRouter 標誌。
Guides & Insights

DaisyRose 27B 對比 ZWZ2 27B:平均值與前沿

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

把DaisyRose-27B和ZWZ2-27B並排放在一起,你會看到兩個貨真價實的強化學習後訓練成果,皆以 Q​wen 檢查點為基礎,於 2026 年秋季相隔三週發布,卻以兩種截然不同的風格呈現。來自 RadixArk 的 DaisyRose-27B 於 2026 年 11 月 18 日發布,是對照 Qwen3.8-27B 的七項基準測試,其中最大的相對增益落在最難的那一項上。來自 inclusionAI 的 ZWZ2-27B 則是對照 Qwen3.6-27B、橫跨六個領域的二十五項基準測試,以平均分數從 55.52 提升至 60.51 的形式呈現。

一家實驗室發表的是前沿表現,另一家發表的是平均表現。這兩者並非同一種宣稱,而其中的差異,比任一表格裡的任何單一數字,都更能說明每個模型各自的用途。

不同的基地,相隔一個世代

這場對決中最重要的一項事實是:這兩個模型並非源自同一個祖先模型。ZWZ2-27B 建立在 Qwen3.6-27B 之上;DaisyRose-27B 則建立在 Qwen3.8-27B 之上。兩者的基礎模型相差一個世代,這意味著「vs」頁面通常會進行的正面交鋒,在這裡根本無法成立——不是因為缺少數字,而是因為擊敗上一代基礎模型所代表的意義,與擊敗當前世代並不相同。

ZWZ2-27B 自己的模型卡透過將每一項增益都對照 Qwen3.6-27B 回報,清楚說明了這一點。DaisyRose-27B 的模型卡則是對照 Qwen3.8-27B 回報。讀者若比較這兩個提升幅度,等於是在拿相對於較舊基線的改進,與相對於較新基線的改進相比,而較新的基線起點本來就更高。這不是算術能修正的,任何誠實的文章也不該試圖這麼做。

ZWZ2 如何回報自身

ZwZ2-27B 的評估是依領域而非依基準測試難度來組織的。二十五個基準測試被分成六個範疇,每個領域各自附有前後平均值:

• 細粒度感知 — 從 62.09 提升至 67.57,在 VStar、HR-Bench 8K 與 MME-RealWorld 等八項基準測試中提升 5.48。

• 空間推理 — 49.72 至 55.98,上升 6.26,為各領域中最大增幅。

• 一般視覺推理 — 47.89 至 53.71,上升 5.82,涵蓋 MMStar 與 BabyVision。

• 具身空間 — 50.17 至 55.71,上升 5.54。

• 長上下文 — 65.87 至 68.77,上升 2.90。

• 多模態代理 — 49.73 到 51.81,上升 2.08,增幅最小卻最具指標性。

整體平均值從 55.52 上升到 60.51,提升了 4.99,而 inclusionAI 表示,調校後的模型在二十五項基準測試中的每一項都勝過基礎模型。這是一個關於一致性的強烈主張,但對任何特定能力而言卻是微弱的主張,因為二十五項測試的平均值會被模型原本就擅長的測試所主導。

DaisyRose 如何自我報告

RadixArk 採取了相反的做法:七項基準測試各自獨立報告,並在旁列出基礎模型的分數。Terminal Bench 4.1 從 5.6 提升至 12.0,Terminal Bench 2.1 從 73.0 提升至 75.5,DeepSWE v1.1 從 42.2 提升至 46.2,SWE Bench Pro v2 從 91.3 提升至 94.7,Humanity's Last Exam 從 33.9 提升至 34.3,IFBench 從 79.5 提升至 82.4,GPQA Diamond 從 89.2 提升至 90.7。

文中沒有提供平均值,而這正是重點。最受矚目的增益——在 Terminal Bench 4.1 上超過一倍——是從極低基線取得的增益;5.6 已接近下限。在基線本來就強的那兩項基準 HLE 和 GPQA Diamond 上,幾乎沒有變動。把整張表作為一個整體來看,它說明這次調校換來的是代理式能力,而一般推理則原封不動;這正是以長程代理任務為基礎建構的獎勵應該產生的結果。

A generated two-column scoreboard. DaisyRose-27B: base model Qwen3.8-27B, benchmarks published 7, Terminal Bench 4.1 5.6 to 12.0, Humanity's Last Exam 34.3, reporting style individual rows, context 262,144. ZwZ2-27B: base model Qwen3.6-27B, benchmarks published 25, reporting style domain means, context 262,144. Footer reads 'Vendor-reported; the two bases are one generation apart.'

25 項基準測試平均值所掩蓋的事

ZWZ2-27B 絕對分數最低的幾列才是有意思的,而它自己的評分卡就公布了這些數字:Chartography 12.00、AgentVista 18.18、Perception-Bench 44.93 與 ScreenSpot-Pro 70.59。這些數字與五十幾、六十幾的領域平均並列,這意味著平均值是被模型擅長的基準撐住的,而真正困難的基準則接近最低分。

對後訓練(post-train)來說,這是正常現象,不應被解讀為缺陷。然而,這正是平均值所抹除的資訊。一個團隊若看到「60.51」就期待模型在各方面都有 60% 的水準,那麼看到 Chartography 只有 12 時,將會大感意外。一個會閱讀各基準測試逐列資料的團隊,立刻就知道這個模型沒有針對哪些工作負載受訓。

同樣的但書反過來也適用於 DaisyRose-27B。其 Terminal Bench 4.1 的 12.0 分是大幅的相對提升,卻是糟糕的絕對結果,而模型卡對這兩點都如實說明。兩款模型的主打數字,一旦對照各自的明細列,都站不住腳。

架構與授權

兩者皆原樣繼承其基礎模型。ZWZ2-27B 採用已公布的 Qwen3.6-27B 設定:隱藏維度 5,120、64 層、24 個查詢頭與 4 個鍵值頭且維度為 256、FFN 為 17,408、以三比一的線性至完整注意力模式重複十六次、交錯式 M-RoPE 且 RoPE 基底為一千萬、詞彙表大小 248,320,以及 262,144 個原生位置。其視覺塔為 27 層、寬度 1,152,投影至 5,120,使用 16 像素區塊與 2×2 合併。沒有多 token 預測層——設定將其設為零——BF16 權重約達 54 GB,分置於兩個分片,並以 transformers 5.13.1 作為文件記載的路徑。

DaisyRose-27B 採用 Qwen3.8-27B 的配置:相同的隱藏層大小與層數、以相同三比一模式運作的 Gated DeltaNet 線性注意力、0.46B 視覺編碼器,以及 ZWZ2-27B 所沒有的 0.42B 預測頭。兩者的上下文長度皆為 262,144。DaisyRose 提供 BF16 版本,約 52 GB;FP8 版本為 29 GB;NVFP4 版本為 23 GB,並附有完整的 SGLang 部署配方;ZwZ2-27B 則僅提供 BF16 版本。

• 授權條款 — 兩者皆為 Apache-2.0,沿用自其基底。

• 視覺 — 兩者皆接受圖片並回傳文字;兩者皆非僅限文字。

• 量化 — DaisyRose-27B 提供三種格式,ZwZ2-27B 僅支援 BF16。

• 服務文件 — 針對 DaisyRose-27B 的詳細 SGLang 配方,包含推測式解碼;針對 ZwZ2-27B 的 transformers 快速入門。

• 獨立評估 — 撰寫本文時,兩個模型皆無。

Screenshot of the RadixArk release post for DaisyRose-27B captured 21 November 2026, dated November 18, 2026 and headed 'DaisyRose-27B: Pushing the Frontier of Post-Training Efficiency', stating that the model is built on Qwen3.8-27B and trained with reinforcement learning on long-horizon agent tasks with sessions up to 1M tokens, using 1,200 curated tasks in 18 days on 144 GPUs.

感知問題

ZwZ2-27B 的增益集中在感知與空間推理:細粒度感知提升 5.48,空間提升 6.26,具身空間提升 5.54,而像 HR-Bench 8K 這類高解析度基準就屬於第一組。DaisyRose-27B 則完全沒有報告任何感知基準。它的視覺編碼器是繼承而來且未經改動,模型卡中沒有任何內容顯示獎勵機制對它產生了塑造作用。

那種不對稱正是決策依據。如果你的工作負載是螢幕截圖、密集圖表、掃描頁面或空間布局,ZwZ2-27B 的卡片會直接應對,而 DaisyRose-27B 的卡片則不然。如果你的工作負載是終端機、儲存庫或長時間的工具呼叫工作階段,情況正好相反:DaisyRose-27B 的卡片滿是恰恰那些列,而 ZwZ2-27B 最弱的領域是多模態代理,平均值為 51.81。

兩張卡片作為證據,並沒有哪一張比另一張更好。它們是關於不同事物的證據,是在不同的規程下產生的;正確的回應方式,是依每一張卡片當初是為了回答什麼問題而製作,來解讀它。

執行它們,並將它們混合

DaisyRose-27B 和 ZwZ2-27B 目前都未託管於 OrcaRouter。兩者都是你得自行提供服務、或透過第三方平台存取的權重,這意味著兩者都背負同樣的營運問題:兩個檢查點、兩套部署、兩組容量決策,而且無法把請求送到目前可用的那一個。

這正是路由所針對的情境。當兩個模型沿著明確分界拆分工作負載——一邊負責感知,另一邊負責代理式行動——應用程式到頭來還是得將請求分類,並呼叫兩個不同的端點。 OrcaRouter 的路由 DSL讓這類分類集中在一處,將兩個模型組合成單一呼叫路徑,並具備自動容錯移轉,讓已達飽和的自架部署改為轉往第二個端點,而不是回傳錯誤。對於一對如此新、文件又如此稀少的模型而言,容錯移轉與其說關乎正常運作時間,不如說是不想拿生產路徑去賭才公開三週的權重。OrcaRouter 也以 0% 加價直接採用供應商牌價,適用於我們所有代管的服務,因此混合部署中由我們代管的那一段是以成本價計價,而不是以倍數計價。

Screenshot of the Hugging Face model page for inclusionAI/ZWZ2-27B captured 21 November 2026, showing 15 likes, the Image-Text-to-Text pipeline tag, Transformers and Safetensors formats, tags for inclusionAI/ZwZ2-RL-VQA, grpo and conversational, two arXiv links, and an Eval Results section.

你的決策該信任哪份報告

如果你的工作以感知為先,而且想要一個模型卡在二十五項基準測試中記錄了這一點的模型,就選 ZwZ2-27B——並請看絕對值列,而不是平均值。如果你的工作屬於代理式,而且想要一個模型卡記錄了相對於其來源基礎模型的一項具體、可驗證行為變化的模型,就選 DaisyRose-27B。若你在投入前需要獨立驗證,兩者都別選:兩張表都是廠商自行提報,兩者都沒有 Artificial Analysis 分數,而採購團隊唯一會想要的數字——在你自身工作負載上的效能——兩份文件裡都沒有。

真正重要的比較會是下一場。兩家實驗室都還在開發第一個模型,兩者都建立在 Qwen 檢查點上,而且都把強化學習當成後訓練的全部內容。如果 inclusionAI 在 Qwen3.8-27B 上推出 ZwZ3,或 RadixArk 推出第二個 DaisyRose,保留代理配方並加入感知資料列,那麼兩種報告風格終於會在同一基礎上相遇,真正的一對一較量也將成為可能。在那之前,正確的總結是:這些模型是為了不同目的而測量,而平均模型與前沿模型之間的差別,就是問「它整體上是否更好」和問「它在我需要的事情上是否更好」之間的差別。