ZoomGain-9B vs. Qwen 3.8 8B: Es gibt kein Qwen3.8-8B, und darum geht es in diesem Artikel

Suche nach „Qwen 3.8 8B“ und du findest Vergleichsseiten, Download-Links und ein halbes Dutzend Artikel, die es als ausgeliefertes Modell behandeln. Das ist es nicht. Die Qwen3.8-Generation von Alibaba enthält vier offene Checkpoints – Qwen3.8-27B, seinen FP8-Build, Qwen3.8-2.4T-A95B und Qwen3.8-Flash-Next – und keiner davon ist ein 8B. Den 8B-Platz im Qwen-Line-up besetzt Qwen3-8B, ein Modell aus der Qwen3-Generation von 2025, das eine andere Architektur, einen anderen Tokenizer und eine andere Ära repräsentiert. Die ehrliche Fassung dieses Duells ist also die zwischen ZoomGain-9B, dem 9B-Vision-Language-Checkpoint, den inclusionAI am 10. November 2026 veröffentlicht hat, und den beiden Qwen-Modellen, die es in vergleichbarer Größe tatsächlich gibt: Qwen3.8-27B, dem kleinsten dichten Mitglied der 3.8-Generation mit 27 Milliarden Parametern, und Qwen3.5-9B, dem Stammmodell, von dem ZoomGain-9B nachtrainiert wurde.

Diese Korrektur ist keine Formalie, die man vor dem interessanten Teil aus dem Weg räumt. Sie verändert die Antwort. Qwen3.5-9B ist das Basismodell, auf dem ZoomGain trainiert wurde, also das, was einem kontrollierten Experiment in diesem gesamten Release am nächsten kommt: gleiche Gewichte, gleiche Architektur, gleicher Tokenizer, 9.000 RL-Samples Unterschied. Qwen3.8-27B ist dreimal so groß und zwei Generationen neuer, und es ist das Modell, das man tatsächlich statt ZoomGain wählen würde, wenn man heute einen Qwen-Endpunkt wollte. Der Vergleich mit beiden verrät etwas, das das Phantom-8B nie konnte.

Warum der Phantom-Eintrag überhaupt existiert

Die Benennung ist nicht zufällig. Qwen veröffentlichte 27B und 2.4T-A95B am 5. und 8. August 2026, dann Flash-Next am 24. August. Die vorherige Generation, Qwen3.5, hatte ein 9B und ein 4B; Qwen3.6 hatte 27B und 35B-A3B. Jede Generation seit Qwen3 hat ein kleines dichtes Modell enthalten, und die 3.8-Generation ist die erste, die eines auslässt. Wer Muster in den vorherigen drei Releases erkennt, würde vernünftigerweise ein Qwen3.8-9B vorhersagen, und ein Qwen3.8-8B ist nur eine Ziffer von dieser Vorhersage entfernt.

Was die Lücke tatsächlich füllt, ist Community-Destillation. Qwen3.8-9B-Distill-Checkpoints erschienen innerhalb einer Woche nach der Veröffentlichung des 27B-Modells auf dem Hub aus unabhängigen Laboren, und Ableitungen dieser Ableitungen folgten. Es handelt sich um kleine Modelle, die auf Qwen3.8-Ausgaben trainiert wurden, nicht um Qwen3.8-Modelle. Wenn eine Seite, die du gefunden hast, „Qwen 3.8 8B“ mit Benchmark-Zahlen beschreibt, ist die wahrscheinlichste Erklärung, dass sie eines dieser Modelle beschreibt – oder dass sie gar nichts beschreibt.

Die praktische Konsequenz: Wenn Sie ein kleines Modell aus der Qwen-Familie benötigen, sind die derzeit tatsächlich verfügbaren Optionen Qwen3.5-9B mit 9B und Qwen3.5-4B mit 4B, beide von Februar 2026, beide unter Apache 2.0, beide weiterhin unter den am häufigsten heruntergeladenen Modellen auf dem Hub. ZoomGain-9B baut auf dem ersten von ihnen auf.

Das kontrollierte Experiment, das die Veröffentlichung versehentlich bereitstellt

Die Konfiguration von Qwen3.5-9B und die von ZoomGain-9B sind gleich aufgebaut: 32 Schichten, Hidden Size 4.096, Intermediate Size 12.288, 16 Query-Heads gegenüber 4 KV-Heads bei einer Head-Dimension von 256, 262.144 maximale Positionen und dasselbe 3:1-Schema von linearem DeltaNet zu voller Attention. Der Vision Tower stammt vom Basismodell. An der Architektur hat sich nichts geändert.

Was sich geändert hat, ist das Post-Training. ZoomGain wandte GRPO auf 9.000 Fragen an, die durch Mining von zugeschnittenen Details generiert wurden, für eine Epoche, mit acht Rollouts pro Frage. Das ist die gesamte Intervention, und ihre gemessene Wirkung auf ZoomGainBench beträgt 32,13 bis 55,48 – ein Sprung von 23,35 Punkten auf einem Benchmark, der aus derselben Pipeline wie die Trainingsdaten aufgebaut wurde, was das Paper ehrlicherweise als „Held-in“ bezeichnet.

Die Zahl, die dieser Einschränkung standhält, ist der Hold-out-Durchschnitt über dreizehn Benchmarks, die das Training nie gesehen hat: 59,75 für Qwen3.5-9B, 66,10 für ZoomGain-9B. Ein Plus von 6,35 Punkten aus 9.000 Samples bei denselben Gewichten. In der spezifischen Familie, auf die die Veröffentlichung abzielt, sind die Deltas größer: HR-Bench 4K 82,13 auf 90,25, V*Bench 86,91 auf 93,19, VisualProbe 44,66 auf 56,31.

• Das interessante negative Ergebnis – MMStar bewegt sich von 71,73 auf 73,87 und BabyVision von 15,98 auf 17,53. Die allgemeine multimodale Kompetenz verschiebt sich kaum. Das Training brachte feine Details und sonst nicht viel, was genau das ist, was ein gezielter RL-Lauf mit 9.000 Stichproben bewirken sollte.

• Der ehrliche Vorbehalt — all das oben Genannte ist von den Autoren selbst angegeben und basiert auf dem Harness der Autoren. Niemand außerhalb von Ant Group hat es reproduziert. Der Evaluator und der Benchmark sind öffentlich, also ist es überprüfbar, aber es wurde nicht überprüft.

Qwen3.8-27B und die Zeile, die es in dieselbe Tabelle einordnet

Hier wird der Vergleich wirklich aussagekräftig, denn das ZoomGain-Paper hat Qwen3.8-27B tatsächlich anhand seines eigenen Benchmarks evaluiert. Das 27B-Modell erzielt auf ZoomGainBench insgesamt 44,81 – hinter Kimi-K3 mit 48,65, hinter Qwen3.8-Flash-Next mit 55,05 und hinter jedem Closed-Source-Frontier-Modell in der Tabelle. Gemessen daran ist es ein kompetenter, aber unspektakulärer Wahrnehmer feiner Details.

Setzt man das den 55,48 von ZoomGain-9B im selben Test gegenüber, wirkt die Rechnung verblüffend: Ein 9B-Modell, das 10,7 Punkte über einem 27B-Modell derselben Familie liegt, in einem Benchmark, den das Marketing keines der Anbieter wählen würde. Aber genau dieser Vergleich muss mit dem Held-in-Label versehen werden, und die Arbeit tut das. ZoomGainBench wurde von der Pipeline erstellt, die auch ZoomGains Trainingsdaten erstellt hat. Ein Modell, das auf Fragen aus dieser Pipeline trainiert wurde, hat die Verteilung gesehen; ein Modell, das darauf evaluiert wird, nicht. Die Lücke von 10,7 Punkten ist eine Aussage über Distribution Fit, nicht über Leistungsfähigkeit.

Wo die beiden ohne diese Verzerrung verglichen werden können, kehrt sich das Bild um. Die eigene Modellkarte von Qwen3.8-27B meldet Terminal Bench 2.1 mit 73,0, SWE-bench Pro mit 61,7, LiveCodeBench v6 mit 90,3, GPQA Diamond 89,2 und HLE 30,8. ZoomGain-9B wurde auf keinem dieser Benchmarks evaluiert, und es wäre nicht zu erwarten, dass es gut abschneidet: Sein Training hatte nie mit Code, Terminal-Aufgaben oder Wissenschaft auf Graduierten-Niveau zu tun. Qwen3.8-27B verarbeitet außerdem Bilder und Videos nativ, bietet einen Kontext von 262.144 Token, erweiterbar auf eine Million, und unterstützt die Denksteuerung mit `reasoning_effort` — eine Fähigkeit, die ZoomGain-9B überhaupt nicht besitzt, da seine Evaluierung mit deaktiviertem Denken läuft.

• Größe und Form — Qwen3.8-27B ist ein dichtes 27B-Modell mit 64 Schichten, Hidden 5.120, Intermediate 17.408 und einem 1-Schicht-Multi-Token-Prediction-Head. ZoomGain-9B hat etwa 9,4B mit 32 Schichten bei Hidden 4.096.

• Verfügbarkeit — Qwen3.8-27B hat 7,4 Millionen Downloads, eine Apache-2.0-Lizenz, FP8- und GGUF-Builds sowie einen gehosteten Endpunkt. ZoomGain-9B hat keinen gehosteten Endpunkt, ein leeres Provider-Mapping auf dem Hub, eine Lizenz, die auf eine Model Card ohne Lizenz-Tag verweist, und GGUF-Builds vom 11. November als einzige Distribution neben BF16.

• Veröffentlichungstermine — Qwen3.8-27B: 5. August 2026, ein vollständiger Launch mit einem Blogbeitrag und einem technischen Bericht. ZoomGain-9B: 10. November 2026, ein Paper und ein Repository, mehr nicht. Die drei Monate Abstand fallen weniger ins Gewicht als die Tatsache, dass eines von beiden seit August in Produktionsumgebungen im Einsatz ist.

Der Preis jeder Route – und der, den wir Ihnen tatsächlich verkaufen können

Qwen3.8-27B ist im OrcaRouter-Katalog zu $0,33 pro Million Input-Tokens und $2,40 pro Million Output, mit einem 262K-Kontext, Text-, Bild- und Videoeingabe und 0 % Aufschlag auf den Listenpreis des Anbieters — die Zahl auf unserer Modellseite ist die Zahl, die Q​wen berechnet, durchgereicht, sodass eine Preisänderung des Anbieters hier noch am selben Tag live ist statt erst nach einem Preiszyklus. Derselbe Schlüssel erreicht auch Qwen3.8-Flash und Qwen3.8-Max, falls sich das 27B als falsche Größe herausstellt, und Failover bedeutet, dass ein hängengebliebener Endpunkt noch vor Beginn der Antwort erneut bei einem Anbieter versucht wird statt erst, nachdem deine Anfrage abgelaufen ist.

ZoomGain-9B ist nicht im Katalog und kann nicht über uns aufgerufen werden. Es sind 18,82 GB in BF16 oder 5,63 GB bei Q4_K_M plus ein 0,52 GB mmproj-Projektor, bereitgestellt unter vLLM 0.19.1 mit transformers 5.7.0 oder unter einem llama.cpp-Build mit Qwen3.5-Multimodal-Unterstützung. Auch Qwen3.5-9B selbst ist nicht im Katalog, was man ruhig deutlich sagen sollte: Die günstige gehostete Version dieses Vergleichs gibt es bei uns ebenfalls nicht.

Wenn Ihre eigentliche Frage lautet: „Sollte ich ZoomGain-9B ausführen, statt für einen Qwen-Endpunkt zu zahlen?“, ist der Kostenvergleich in keine Richtung knapp und muss es auch nicht sein. Ein dichtes 27B-Modell zu 0,33 US-Dollar pro Million Eingabe-Tokens ist für nahezu jedes Volumen, das Sie als gelegentlich bezeichnen würden, günstiger als eine eigene GPU. Selbsthosting eines 9B-Modells lohnt sich nur, wenn das Volumen hoch ist, die Daten Ihr Netzwerk nicht verlassen dürfen oder die Aufgabe genau die eine enge Sache ist, für die das 9B-Modell trainiert wurde.

Wann das Phantommodell eine Rolle gespielt hätte

In der Q​wen-Produktpalette gibt es eine echte Lücke, und es lohnt sich, sie zu benennen, denn sie erklärt, warum so viele Menschen nach dieser Gegenüberstellung gesucht haben. Ein dichtes 9B-Modell mit einem 262K-Fenster und einem Vokabular der Qwen3.8-Generation, zu einem Preis nahe dem des Qwen3.5-9B verkauft, wäre die naheliegende günstige Wahl für bildlastige Pipelines – günstiger als das 27B, leistungsfähiger als das 4B und klein genug, um es auf einer einzigen Karte selbst zu hosten. Q​wen hat kein solches Modell auf den Markt gebracht, daher wird diese Lücke derzeit entweder vom älteren Qwen3.5-9B oder von einer Community-Distillation ohne Anbieter dahinter bedient.

ZoomGain-9B ist auch nicht jenes Modell, und der Unterschied ist wichtig. Es ist ein Wahrnehmungsspezialist mit einer Frage zur Forschungslinzenz und ohne gehosteten Pfad, kein kleiner Qwen für allgemeine Zwecke. Wenn du von „Qwen 3.8 8B“ einen günstigen Generalisten erwartet hast, wird ZoomGain-9B dich bei allem außer feinsten Details enttäuschen. Wenn du ein Modell wolltest, das die Seriennummer in einem 4K-Foto finden kann, ist es einer der wenigen kleinen Checkpoints, die speziell dafür gebaut wurden.

Für den Generalistenfall sind die realistischen Alternativen die gehostete Qwen3.5-Reihe – 35B-A3B zu 0,057 $ pro Million Eingabe-Tokens, 27B zu 0,086 $ –, die die Budget-Position einnehmen, die das fehlende 8B-Modell gefüllt hätte, mit größerem Footprint und einem echten Endpoint. Für den Wahrnehmungsfall gibt es keinen gehosteten Ersatz, den wir anbieten können: Qwen3-VL-8B-Instruct zu 0,18 $ Eingabe und 0,70 $ Ausgabe pro Million Tokens verarbeitet Bilder und dient als Ersatz, um zu testen, ob es sich bei Ihren Fehlern um Detailfehler handelt, wurde jedoch nicht so trainiert wie ZoomGain und wird bei Crops nicht damit mithalten.

Was soll man konkret damit machen?

Wenn Sie hierher gekommen sind, um ein Urteil zu ZoomGain-9B vs Qwen3.8-8B zu bekommen: Das Urteil lautet, dass der Gegner nicht existiert und jede Seite, die Ihnen eines geliefert hat, die Hälfte des Vergleichs erfunden hat. Die beiden tatsächlichen Fragen sind enger gefasst und beide heute beantwortbar.

Frage eins: Ist ein 9B-Fine-Tuning von Qwen3.5-9B bei feinkörniger Wahrnehmung besser als Qwen3.5-9B? Den Zahlen der Autoren zufolge ja, um 6,35 Punkte auf Held-out-Daten und um deutlich mehr bei den Benchmarks, auf die das Training abzielte. Das ist ein starkes Ergebnis für 9.000 Samples und das Interessanteste an der Veröffentlichung.

Frage zwei: Ist ZoomGain-9B in irgendetwas, das für dich wichtig ist, besser als Qwen3.8-27B? Bei der allgemeinen Leistungsfähigkeit nein – das 27B ist neuer, größer, besser dokumentiert, lizenziert, gehostet und auf viel mehr Achsen evaluiert. Bei einem Benchmark, der aus ZoomGains eigener Trainingsverteilung erstellt wurde, erzielt es 10,7 Punkte mehr, was dir sagt, dass das Training funktioniert hat, und dir nichts darüber sagt, welches Modell du kaufen solltest.

Die folgende Entscheidung ist wenig glamourös. Verwenden Sie für allgemeine Arbeiten ein gehostetes Qwen-Modell, denn es kostet 0,33 US-Dollar pro Million Eingabe-Tokens und ist mit einem einzigen API-Aufruf verfügbar. Laden Sie ZoomGain-9B nur herunter, wenn Sie eine spezielle Aufgabe mit feinen Details, eine GPU und einen Anwalt haben, der eine Lizenzdatei gelesen hat, die der Anbieter nicht veröffentlicht hat.