ZwZ2-27B: Die Gewichte trafen am 16. Oktober ein, die Erklärung folgte zehn Tage später.

ZwZ2-27B ist seit dem 16. Oktober 2026 bei Hugging Face herunterladbar. In den ersten zehn Tagen seines öffentlichen Daseins gab es keine Ankündigung, kein Paper, keine README und keine angegebene Lizenz – nur zwei bf16-safetensors-Shards unter inclusionAI, und ein Repository, das keinen Grund für seine Existenz nannte. Am 26. Oktober erschien eine Modellkarte. Sie besagt, dass das Modell ein per Reinforcement Learning trainiertes Vision-Language-System auf Basis von Qwen3.6-27B ist und eine Evaluation mit 25 Benchmarks veröffentlicht, in der das Modell diese Basis insgesamt um 4,99 Punkte übertrifft.

Das ist alles, was neu ist, und es lohnt sich, es von dem zu trennen, was die Leute annehmen werden, dass geschehen ist. Das ist kein Launch. Die Gewichte sind elf Tage alt, und der Anbieter hat sie noch immer nicht angekündigt. Was sich diese Woche geändert hat, ist, dass wir endlich lesen können, wofür inclusionAI das Modell hält.

Was sich tatsächlich geändert hat, nach Datum

Die eigene Commit-Historie des Repositorys ist der sauberste verfügbare Beleg, und sie stellt die Geschichte nicht in ein gutes Licht. Drei Commits enthalten alles:

16. Oktober, 05:42 UTC — Initial-Commit, dann zehn Minuten später „Add ZwZ2-27B model weights“. Konfiguration, Tokenizer, Processor und die beiden Weight-Shards. Keine README.

• 26. Oktober, 02:58 UTC — „Create README.md“. Die erste schriftliche Beschreibung des Modells, zehn Tage nach den Gewichten.

• 26.–27. Oktober — wiederholte README-Überarbeitungen und Uploads von sechs Dateien, während die Benchmark-Abbildungen und Bildressourcen zusammengestellt wurden.

Zum Zeitpunkt des Verfassens zeigt das Repository sieben Downloads und keine Likes. Das begleitende GitHub-Projekt, inclusionAI/Zooming-without-Zooming-v2, wurde am 14. Oktober erstellt und hat einen Stern. Suchen nach dem Modellnamen auf Englisch liefern Berichte über die ältere ZwZ-2B/4B/8B-Familie und über das ZwZ2-9B vom 16. Oktober, aber gar nichts über das 27B. Wenn hier ein Launch stattfand, dann geschah er ohne Publikum.

Das Modell in der Konfigurationsdatei

Konfigurationsdateien sind der am wenigsten glamouröse und zugleich zuverlässigste Teil jeder Veröffentlichung. Diese hier beschreibt ein dichtes Vision-Language-Modell, dessen Architekturdeklaration Qwen3_5ForConditionalGeneration ist – dieselbe Klasse, die auch Qwens eigene Modelle verwenden – mit den folgenden Zahlen:

• Text-Tower — 5.120 Hidden Size, 64 Schichten, 24 Query-Heads und 4 KV-Heads bei Kopfdimension 256, Feed-Forward-Breite 17.408.

• Attention-Layout — ein 3:1-Verhältnis von Linear-Attention-Schichten zu Full-Attention-Schichten, das sich 16-mal wiederholt, mit verschachteltem M-RoPE und einer Rotary-Basis von 10.000.000.

• Wortschatz und Kontext — 248.320 Token, 262.144 native Positionen.

• Vision-Tower — 27 Schichten bei einer Hidden-Size von 1.152, Projektion auf 5.120, Patch-Größe 16 mit 2×2-räumlichem Merge.

• Multi-Token-Vorhersage — mtp_num_hidden_layers auf 0 gesetzt, d. h. der MTP-Kopf wurde relativ zum Qwen-Backbone entfernt.

Diese letzte Zeile ist der einzige strukturelle Unterschied zur Basis. Alles andere – Schichtanzahl, Head-Geometrie, Vokabular, Kontext-Obergrenze, Visionstiefe – stimmt mit Qwen3.6-27B exakt überein. ZwZ2-27B ist derselbe Körper mit einem anderen Post-Training-Regime und einem entfernten spekulativen Decoding-Head.

Das bedeutet auch, dass das Modell nicht klein ist. Bei 27B Parametern in bf16 liegen die Gewichte über zwei Shards hinweg bei rund 54 GB, was eine komfortable Auslastung auf einem einzelnen 80-GB-Beschleuniger oder eine knappe Auslastung auf zwei 40-GB-Karten ermöglicht. Im Repository gibt es keine quantisierte Variante, kein vLLM- oder SGLang-Rezept und keine Serving-Hinweise außer einem auf Version 5.13.1 festgelegten Hugging-Face-transformers-Quickstart.

Die +4,99-Behauptung – und genau, was sie abdeckt

Die Überschrift der Karte lautet, dass sich das Modell über 25 Benchmarks in sechs Domänen hinweg „bei jedem Benchmark gegenüber seinem Basismodell verbessert“ und den Gesamtdurchschnitt von 55,52 auf 60,51 anhebt. Beide Hälften dieses Satzes lassen sich anhand der veröffentlichten Ergebnisabbildung bestätigen, und beide benötigen eine einschränkende Zusatzangabe.

Die Einschränkung besteht darin, dass es sich um inclusionAIs eigenen Prüfaufbau, seine eigene Benchmark-Auswahl und seine eigene Bewertung handelt, veröffentlicht im eigenen Repository. Nichts davon wurde außerhalb der Organisation reproduziert. Es ist eine Herstellerbewertung im üblichen Sinne: nützlich, um zu sehen, worauf das Team optimiert hat, nicht aber als unabhängige Benotung verwendbar.

Das andere einschränkende Kriterium ist die Skala. Ein Zugewinn von 4,99 Punkten bei einem Mittelwert über 25 Benchmarks ist eine echte Bewegung, aber der Mittelwert ist ein Durchschnitt der Genauigkeiten über sehr unterschiedliche Aufgaben, gleich gewichtet nach Domäne. Er ist kein Fähigkeitsindex und sollte niemals mit einer Punktzahl aus einer anderen Suite verglichen werden.

Hier ist die Aufschlüsselung auf Domänenebene, Basis versus feinabgestimmt:

• Feinkörnige Wahrnehmung — 62,09 bis 67,57, ein Zugewinn von 5,48 über acht Benchmarks hinweg, darunter VStar, HR-8K und MME-RealWorld.

• Räumliche Wahrnehmung — 49,72 bis 55,98, eine Steigerung um 6,26 über sechs Benchmarks hinweg.

• Verständnis für langen Kontext — 65,87 auf 68,77, eine Steigerung um 2,90 über drei Benchmarks hinweg.

• Verkörpertes räumliches Denken — 50,17 bis 55,71, ein Zuwachs von 5,54 über drei Benchmarks hinweg.

• Multimodale Agenten — 49,73 bis 51,81, eine Steigerung von 2,08 über drei Benchmarks hinweg.

• Allgemeines visuelles Schlussfolgern — 47,89 bis 53,71, ein Zuwachs von 5,82 über MMStar und BabyVision hinweg.

Wo die Zugewinne konzentriert sind — und wo das Modell noch schwach ist

Die Form dieser Tabelle ist wichtiger als ihr Durchschnitt. Die größten relativen Zugewinne liegen bei der räumlichen Wahrnehmung und beim verkörperten Schlussfolgern, was zu dem passt, was die Methode zu lehren beansprucht: das Vergleichen, Abgleichen und Aggregieren von Evidenz über mehrere markierte Bereiche eines Bildes hinweg, wobei zur Inferenzzeit vollständige Bilder verwendet werden und keine externen Zoom-Aufrufe erfolgen.

Die beiden geringsten Zugewinne betreffen Langkontext- und multimodale Agenten. Das sind außerdem die beiden Bereiche, in denen das Basismodell relativ zur Aufgabe bereits am stärksten war, was dem üblichen Muster für RL-Feintuning mit einem eng gefassten Datenrezept entspricht: Es verschiebt das, was das Belohnungssignal sehen kann.

Die absoluten Zahlen sind die ernüchterndere Lektüre. Chartography liegt bei 12.00. AgentVista bei 18.18. Perception-Bench bei 44.93. Ein Modell kann insgesamt fünf Punkte zulegen und auf mehreren einzelnen Benchmarks des Sets dennoch nahezu unbrauchbar sein – und dieses ist es. Wer „60.51 insgesamt“ als allgemeine Kompetenzzahl zitiert, zitiert einen Durchschnitt, der eine 12 verbirgt.

Das Trainingsrezept erklärt die Obergrenze. EvidenceConnect erstellt seine Daten aus SA-1B-Bildern, indem es drei bis sieben zusammenhängende Regionen gruppiert, Fragen mit privilegierten Zoom-Ausschnitten generiert, durch modellübergreifende Übereinstimmung und Drop-one-Region-Tests filtert, in Aufgaben mit vier Optionen umwandelt und mit GRPO trainiert – alle drei Modellgrößen auf rund 20.000 Beispielen, ohne Phase des überwachten Feintunings. Das ist eine fokussierte Kost. Sie erkauft zuverlässig Wahrnehmung auf Regionsebene und gibt nicht vor, offenes Schlussfolgern zu erkaufen.

Die Spalten des Referenzmodells verdienen einen Warnhinweis

Die Ergebnisgrafik enthält außerdem drei API-Modelle als Referenzpunkte: GPT-5.6-Luna mit 54,02, GLM-5.3-Flash mit 57,24 und DeepSeek-V4.1-Flash mit 55,47, gegenüber 60,51 für ZwZ2-27B. Auf den ersten Blick stellt das einen still hochgeladenen Open-Weights-Checkpoint über drei gehostete Produktionsmodelle.

Drei Punkte sollten diese Interpretation abschwächen. Erstens wird die Einschränkung durch die Bereitstellung in der Karte selbst erwähnt: Die Bildauflösung fortgeschrittener Modelle war durch ihre Bereitstellungsplattformen eingeschränkt, was bei einem Benchmark-Set, das stark auf feine Details setzt, ein echtes Handicap darstellt. Zweitens handelt es sich nicht um die eigenen veröffentlichten Evaluierungen dieser Anbieter – vielmehr lässt inclusionAI die Modelle anderer Unternehmen durch inclusionAIs Harness laufen, ohne dass ersichtlich ist, dass die Anbieter beteiligt waren oder die Zahlen bestätigt haben. Drittens ist die GPT-Spalte bei einigen Zeilen ausdrücklich als nicht berichtet markiert, sodass das Referenzset ungleichmäßig gefüllt ist.

Nichts davon macht die Zahlen falsch. Es bedeutet jedoch, dass es sich um die Messungen eines Labors an seinen Wettbewerbern in einer Benchmark-Suite handelt, in der sein eigenes Modell zehn Tage zusätzliches Tuning hatte. Betrachten Sie den Vergleich der Basismodelle als den aussagekräftigen und die API-Spalten als Kontext.

Was fehlt noch?

Die ehrliche Bestandsaufnahme der Unbekannten ist länger als die Liste des Bekannten, und sie beginnt mit der Lizenz. Das Frontmatter der Model Card kennzeichnet das Basis-Modell, den Datensatz und die Pipeline-Aufgabe; eine Lizenz deklariert es nicht. Im Hauptteil heißt es, man solle „auf die Lizenz verweisen, die mit den veröffentlichten Gewichten einhergeht, sowie auf die geltende Backbone-Lizenz“ – was zirkulär ist, wenn die Gewichte selbst keine tragen. Qwen3.6-27B steht unter Apache-2.0, damit ist die Backbone-Seite klar. Die Bedingungen des Derivats sind es nicht, und für ein Unternehmen, das dies in einem Produkt ausliefern möchte, ist diese eine Auslassung folgenschwerer als jede Benchmark-Zeile.

Das Paper ist ebenfalls noch nicht erschienen. Der Header der Karte selbst enthält den wörtlichen Platzhaltertext <!-- Replace PAPER_URL with the final v2 paper URL. --> und verlinkt auf PAPER_URL. Das Projekt-Repository existiert; die Ausarbeitung, auf die es verweisen sollte, gibt es nicht.

Darüber hinaus:

• Es gibt von niemandem eine unabhängige Bewertung von ZwZ2-27B.

• Für dieses Modell wurde keine Herstellerankündigung, kein Blogbeitrag und kein Social-Media-Beitrag gefunden.

• Die veröffentlichte Evaluation wurde im Low-/Thinking-Modus durchgeführt — die Schnellstartanleitung der Modellkarte läuft mit enable_thinking=False, und die Chat-Vorlage verlangt Antworten innerhalb von <answer>-Tags. Zahlen aus dem Thinking-Modus sind nicht Teil der Aussage.

• Keine Framework-Unterstützung über die gepinnte Transformers-Version hinaus. Kein GGUF, kein AWQ, keine veröffentlichte vLLM-Konfiguration.

• Die Karte führt bekannte Fehlermodi auf – halluzinierte Details, falsch gelesener Text, Zähl- und räumliche Fehler –, was mehr Offenheit ist, als die meisten Anbieterkarten bieten, und eine faire Zusammenfassung dessen, wie sich ein 12,00 bei Chartography in der Praxis darstellt.

Wie man es bewerten kann, ohne etwas darauf zu wetten

ZwZ2-27B ist nicht in unserem Katalog, und dieser Beitrag sollte nicht so gelesen werden, als würde er dies implizieren. Um es heute auszuführen, laden Sie 54 GB Gewichte herunter, installieren einen bestimmten Transformers-Build und stellen es selbst bereit – was ein sinnvoller Nachmittag ist, wenn Sie die Hardware bereits besitzen, und ein schlechter Einsatz eines Nachmittags, wenn Sie diese Woche eine Produktfrage beantworten wollen.

Eine günstigere Reihenfolge ist, die Behauptung statt das Modell zu testen. Die Behauptung ist eng gefasst: dass RL auf einem 20K-Beispiel-Datensatz zum Regionsvergleich einen Qwen3.6-27B-Checkpoint darin verbessert, feine Details ohne Zoom-Werkzeuge zu lesen. Wenn das Ihr eigentlicher Engpass ist — dichte Dokumente, Diagramme, UI-Screenshots, Fragen zu mehreren Regionen —, ist das Basismodell die Kontrollbedingung, und sein Nachfolger ist hier bereits routbar: Qwen3.8-27B und Qwen3.5-27B sind beide auf OrcaRouter hinter einem Schlüssel, zusammen mit über 200 weiteren Modellen zum Listenpreis des Anbieters ohne Aufschlag. Wenn sich ein selbst gehostetes ZwZ2-27B als übernahmewürdig erweist, können Sie es auf denselben Schlüssel setzen und automatisches Failover zwischen ihm und einem gehosteten Generalisten entscheiden lassen, statt die Integration umzuschreiben.

Was daraus statt eines „interessanten Uploads“ ein „adoptierbares Modell“ machen würde, ist eine kurze Liste. Eine benannte Lizenz. Ein Paper, das es jemandem ermöglicht, den Aufbau des Benchmarks zu überprüfen. Ein unabhängiger Durchlauf – selbst ein teilweiser – auf Benchmarks, die der Anbieter nicht ausgewählt hat. Und eine Ankündigung, die nach elf Tagen Stille langsam wie ein absichtliches Fehlen statt wie ein Versehen wirkt.

Bis dahin ist die vertretbare Aussage eng begrenzt und es lohnt sich, sie klar auszusprechen: Ein undokumentierter 27B-Checkpoint von inclusionAI liegt seit dem 16. Oktober auf Hugging Face, und mit Stand 26. Oktober sind seine Autoren bereit zu behaupten, dass er Qwen3.6-27B in einer Benchmark-Suite, die sie selbst erstellt haben, um fünf Punkte übertrifft. Das ist eine Hypothese mit angehängten Gewichten. Noch ist es kein Ergebnis.