ZwZ2-27B vs. Qwen3.8-27B: Gleiche Grundstruktur, zwei sehr unterschiedliche Wetten

Das Seltsame an ZwZ2-27B im Vergleich zu Qwen3.8-27B ist, dass die beiden Modelle dieselbe Maschine sind. Öffnet man beide Konfigurationsdateien, stimmen die Zahlen Zeile für Zeile überein: 64 Schichten, 5.120 Hidden Size, 24 Query-Heads gegenüber 4 KV-Heads bei Dimension 256, eine Feed-Forward-Breite von 17.408, ein Vokabular von 248.320 Tokens, 262.144 Positionen und ein Vision-Tower mit 27 Schichten bei 1.152 Hidden Size. Sie deklarieren sogar dieselbe Architekturklasse. Was sie unterscheidet, ist nicht Breite oder Tiefe. Es ist das, was jedes Labor danach mit diesem Körper angestellt hat – und bisher hat noch niemand sie gegeneinander antreten lassen, um herauszufinden, welche Wahl gewonnen hat.

Dass diese Bewertung fehlt, ist das Erste, was klar gesagt werden muss. Die von inclusionAI veröffentlichte Evaluierung für ZwZ2-27B vergleicht es mit GPT-5.6-Luna, GLM-5.3-Flash und DeepSeek-V4.1-Flash. Sie enthält Qwen3.8-27B nicht und auch kein Qwen-Modell, das neuer ist als das, auf dem ZwZ2 aufbaut. Qwen seinerseits hat ZwZ2 überhaupt nie erwähnt. Jede Zahl unten stammt von einem Labor, das sich selbst misst, oder von Qwen, das sich selbst misst, und kein Dritter hat die beiden in eine gemeinsame Prüfumgebung gesteckt.

Dasselbe Skelett, Zeile für Zeile

Es lohnt sich, präzise zu sein, wie nahe diese beieinanderliegen, denn die übliche Gegenüberstellung „27B versus 27B“ unterschätzt das. Dies sind nicht zwei Modelle, die zufällig bei ähnlicher Größenordnung landen; es sind zwei Post-Training-Läufe auf einer austauschbaren Architektur.

• Parameter — 27B für beide, dense, kein Mixture-of-Experts-Routing in beiden Konfigurationen.

• Tiefe und Breite — 64 Schichten, Hidden Size 5.120, Intermediate Size 17.408, in beiden Dateien identisch.

• Attention — 24 Query-Heads, 4 KV-Heads, Head-Dimension 256, partieller Rotary-Faktor 0,25, Rotary-Basis 10.000.000.

• Layer-Zeitplan – ein 3:1-Muster aus linearer und voller Attention, 16 Wiederholungen, in beiden.

• Vokabular und Kontext — 248.320 Token und 262.144 native Positionen, in beiden.

• Vision-Turm — 27 Schichten, Hidden-Size 1.152, Projektion auf 5.120, in beiden.

Die praktische Konsequenz ist, dass die Hardware-Frage für beide dieselbe Frage ist. Etwa 54 GB Gewichte in bf16, eine 80-GB-Karte bequem oder zwei 40-GB-Karten knapp. Keines von beiden ist ein Modell, das man auf einem Laptop laufen lässt, und keines hat eine quantisierte Version im eigenen Repository — Qwens Ökosystem bringt solche hervor, und ZwZ2 hat so gut wie gar kein Ökosystem.

Die eine Zeile, die abweicht, und zwei Voreinstellungen, die wichtiger sind

Strukturell gibt es genau eine Abweichung: Qwen3.8-27B setzt mtp_num_hidden_layers auf 1 und behält damit einen Multi-Token-Vorhersagekopf bei, der laut Qwen mit mehreren Schritten trainiert wurde. ZwZ2-27B setzt ihn auf 0. Bei dem inclusionAI-Modell wurde der Speculative-Decoding-Kopf entfernt – das ist das, was man tut, wenn die eigene Trainingspipeline ihn nicht nutzt und man lieber ein kleineres, einfacheres Artefakt ausliefern möchte. Es ist ein Unterschied im Aufräumen, keine Designaussage.

Bei den Standardwerten trennen sich die beiden Modelle tatsächlich, und sie werden Ihre Integration stärker prägen als jeder Konfigurationswert.

Denken. Qwen3.8-27B denkt standardmäßig vor der Beantwortung nach, bietet drei Aufwandsstufen mit xhigh als Standard und kann über preserve_thinking den Reasoning-Kontext aus früheren Turns beibehalten. ZwZ2-27B ist im Nicht-Denkmodus dokumentiert: Sein Quickstart übergibt enable_thinking=False, seine Chat-Vorlage fordert das Modell auf, endgültige Antworten in <answer>-Tags zu platzieren, und die gesamte Evaluierung mit 25 Benchmarks wurde auf diese Weise durchgeführt. Wenn Ihre Pipeline eine Antwort in einem einzigen Durchlauf erwartet, ist ZwZ2-27B von Haus aus dafür ausgelegt. Wenn Sie möchten, dass das Modell eine Aufgabe mit fünfzig Schritten durchdenkt, verfügt Qwen3.8-27B über die entsprechende Mechanik, und die Karte von ZwZ2-27B erhebt keinen solchen Anspruch.

Modalität. Qwen3.8-27B ist für Bild- und Videoverständnis dokumentiert, wobei das Video-Sampling über die Serving-Schicht gesteuert wird. Die Konfiguration von ZwZ2-27B enthält eine video_token_id, doch seine Modellkarte und Evaluierung betreffen ausschließlich Standbilder und den Regionsvergleich. Video sollte auf der inclusionAI-Seite als nicht belegt gelten.

Was jede Seite tatsächlich beweisen kann

Beide Anbieter haben Evaluierungen veröffentlicht. Sie sind nicht vergleichbar, und der Grund dafür ist nicht Marketing – es liegt daran, dass die beiden Suiten unterschiedliche Dinge messen.

Der Anspruch von ZwZ2-27B stützt sich auf 25 Benchmarks in sechs Wahrnehmungsdomänen, bewertet von inclusionAI, wodurch sich seine eigene Basis von 55,52 auf 60,51 verschiebt. Die stärksten absoluten Werte liegen bei feingranularer Wahrnehmung (67,57 Domänendurchschnitt) und Langkontextverständnis (68,77), die schwächsten bei Chartography mit 12,00 und AgentVista mit 18,18.

Die von Qwen3.8-27B veröffentlichte Tabelle ist eine Text-und-Agent-Suite mit einem Vision-Bereich, und Qwen hat sie gegen den eigenen Vorgänger laufen lassen. Einige der Abstände zwischen Qwen3.8-27B und Qwen3.6-27B sind enorm:

• Agentisches Terminal-Coding – Terminal Bench 2.1 bei 73,0, gegenüber 63,4 für Qwen3.6-27B.

Softwareentwicklung — QwenSWEBench bei 79,0 gegenüber 49,3 und DeepSWE 1.1 bei 42,2 gegenüber 13,3.

Computernutzung — OSWorld-Verified bei 84,3 gegenüber 63,9; WebArena-Verified bei 64,8 gegenüber 48,8.

• Mobile Nutzung — AndroidWorld bei 81,9 gegenüber 70,3.

• Multimodale Softwareentwicklung — SWE-MM bei 38,6; RecreationBench bei 47,1 gegenüber 29,8.

• Wissenschaftliches Denken — GPQA Diamond bei 89,2 gegenüber 87,8 und HLE bei 30,8 gegenüber 24,0.

Das sind Qwens eigene Zahlen auf Qwens eigenem Harness, und sie sagen etwas Einfaches: Die 3.8-Generation ist kein kleiner Schritt gegenüber 3.6. Bei agentischer Softwarearbeit wird die Verbesserung in Dutzenden von Punkten gemessen, nicht in einstelligen.

Warum +4,99 gegenüber 3,6 keine Zahl um 3,8 ist

Das ist die Falle in diesem Vergleich, und man tappt leicht hinein. Der herausgestellte Zugewinn von ZwZ2-27B beträgt +4.99 gegenüber Qwen3.6-27B. Qwen3.8-27B ist auf Qwens Suite ein deutlich stärkeres Modell als Qwen3.6-27B. Der naheliegende Schluss – dass die Zugewinne von ZwZ2 die Lücke schließen – folgt daraus nicht, und es gibt einen mechanischen Grund, warum er sich nicht überprüfen lässt.

Man kann nicht über verschiedene Läufe hinweg subtrahieren. Der Wert 60,51 von ZwZ2-27B ist ein Durchschnitt der Genauigkeitswerte über 25 Wahrnehmungs-Benchmarks, die von inclusionAI ausgewählt wurden; die Werte von Qwen3.8-27B sind Punktzahlen auf einem anderen Satz von Benchmarks, die von Qwen ausgewählt wurden. Ein Modell, das auf einer Testsuite 60,51 erzielt, und ein Modell, das auf einer völlig anderen Aufgabe 84,3 erzielt, sagen nichts über ihre relative Rangfolge aus, und jeder Artikel, der diese Zahlen in eine Spalte stellt, fabriziert eine Rangliste, die niemand gemessen hat.

Was sich sagen lässt, ist enger gefasst und dennoch nützlich. ZwZ2-27B ist ein gezielter Eingriff an einem Modell, das Qwen inzwischen überholt hat, und die dokumentierte Größe des Eingriffs – fünf Punkte auf einem Wahrnehmungsmittelwert – liegt in derselben Größenordnung wie mehrere von Qwens eigenen Deltas von 3,6 bis 3,8 bei Vision-Aufgaben und ist weit kleiner als die Deltas von Qwen bei agentischen Aufgaben. Ob die Spezialisierung die generationsbedingte Lücke bei der Wahrnehmung auf Regionsebene schließt, ist genau das, wofür es einen gemeinsamen Harness bräuchte. Niemand hat einen gebaut.

Die Referenzspalten der Karte deuten an, warum es eine Antwort geben könnte. ZwZ2-27B erreicht 60,51, während inclusionAI GLM-5.3-Flash mit 57,24 und DeepSeek-V4.1-Flash mit 55,47 gemessen hat – gehostete Modelle, die es in einer Suite geschlagen hat, die auf Regionsvergleich ausgelegt ist, wobei die Karte anmerkt, dass die Bildauflösung fortgeschrittener Modelle durch ihre Serving-Plattformen eingeschränkt wurde. Das ist ebenso ein Ergebnis über die Suite wie über die Modelle. Es ist kein Beleg für Qwen3.8-27B, das nie im Raum war.

Für die meisten Teams entscheidet die Lizenz darüber, noch bevor die Benchmarks es tun.

Qwen3.8-27B steht unter Apache-2.0, angegeben im Front Matter der Modellkarte, mit Millionen von Downloads und einem Ökosystem aus Adaptern, Fine-Tunes und Quantisierungen. ZwZ2-27B nennt überhaupt keine Lizenz. Seine Karte verweist auf „die Lizenz, die den veröffentlichten Gewichten beiliegt, und die geltende Backbone-Lizenz“, was zirkulär ist, wenn die Gewichte keine enthalten.

Für ein Forschungsteam ist das eine Fußnote. Für ein Unternehmen, das ein Modell hinter ein Produkt stellt, ist es die entscheidende Trennlinie – und zwar nicht knapp. Dass das Backbone Apache-2.0 ist, lizenziert nicht automatisch ein Derivat, dessen eigene Bedingungen nicht angegeben sind – das ist eine Frage für die Rechtsberatung, und bis inclusionAI sie beantwortet, ist die sichere Auslegung, dass ZwZ2-27B nicht für den kommerziellen Einsatz freigegeben ist. Das Fehlen eines Papers verschärft das: Die Karte enthält weiterhin den wörtlichen Platzhalter PAPER_URL, sodass die Methodenbeschreibung ein README und ein Datensatzschema ist, nichts weiter.

Was Sie heute anrufen können

Qwen3.8-27B ist ab sofort über OrcaRouter routbar, unter einem Schlüssel zusammen mit dem übrigen Katalog und zum Listenpreis des Anbieters ohne Aufschlag — wenn Qwen also seine Preisgestaltung ändert, ist die Änderung hier noch am selben Tag live und nicht erst nach einem Preisanpassungszyklus. Es ist mit 0,33 US-Dollar pro Million Eingabe-Tokens und 2,40 US-Dollar pro Million Ausgabe-Tokens gelistet, mit 262.144 Tokens Kontext im Angebot. Das ist bei einem Vergleich wie diesem wichtig, bei dem in der Regel der günstigere Experimentierer gewinnt: Sie können Qwen3.8-27B noch heute Nachmittag gegen Ihre eigene Workload benchmarken, ohne Download oder GPU.

ZwZ2-27B ist nicht in unserem Katalog, und es wäre unehrlich, das weicher zu formulieren. Es ist ein selbst gehostetes 54-GB-Artefakt ohne Lizenz und ohne Serving-Rezept, und die einzige Möglichkeit, es zu bewerten, besteht darin, es auszuführen. Wenn es sich später einen Platz in Ihrem Stack verdient, ist die Routing-Ebene der Ort, an dem die beiden aufeinandertreffen würden – ein Endpunkt, automatisches Failover und eine Richtlinie, die den Traffic für den Regionenvergleich an das spezialisierte Modell und alles andere an den Generalisten leitet, statt eines Rewrites.

Welche, nach Arbeitslast

Qwen3.8-27B ist die vertretbare Standardwahl für fast alles. Agentisches Coding, langfristige Tool-Nutzung, Computer- und Browsersteuerung, allgemeines Reasoning, Video – dort sind die veröffentlichten Zugewinne am größten, und es ist von den beiden das einzige, das man heute legal ausliefern und praktisch einsetzen kann.

ZwZ2-27B hat ein engeres Anwendungsfeld: Sie betreiben bereits eine Pipeline der Qwen3.6-27B-Klasse, Ihr Engpass ist die gemessene Detailgenauigkeit in Dokumenten, Diagrammen oder Interface-Screenshots, und die Vorstellung, Ihrer Inferenzschleife Zoom-and-Crop-Toolaufrufe hinzuzufügen, ist wenig attraktiv. Genau dieses Problem beansprucht inclusionAI zu lösen – den Vergleich über markierte Bereiche bereits zur Trainingszeit zu lernen, sodass die Inferenz keine Tools benötigt. Wenn das Basismodell die Kontrollbedingung in Ihrem eigenen Harness ist, ist ein lokaler Test von ZwZ2-27B dagegen ein günstiges und wohldefiniertes Experiment.

Nicht vertretbar ist es, die 60,51 des Anbieters als allgemeinen Fähigkeitswert zu behandeln oder sie mit irgendeinem Qwen3.8-Wert zu vergleichen, als ob beide auf derselben Skala lägen. Das tun sie nicht, und das Modell, das dies klären würde – ein gemeinsamer Prüfaufbau, betrieben von jemandem ohne Eigeninteresse –, ist ebenso wenig angekündigt worden wie ZwZ2-27B selbst.

Drei Fragen, die dieser Vergleich wirklich aufwirft

Ist ZwZ2-27B einfach Qwen3.6-27B mit zusätzlichem Training?Architektonisch ja, bis hin zum Layer-Schedule und zum Vision-Tower, wobei der Multi-Token-Prediction-Head entfernt wurde. Vom Verhalten her hängt es von einem Post-Training-Rezept ab, das inclusionAI nur auf dem Niveau einer README beschrieben hat: Regionsgruppen von drei bis sieben, Fragen, die aus privilegierten Crops generiert werden, gefiltert durch modellübergreifende Übereinstimmung und Drop-one-Region-Tests, dann GRPO auf etwa 20.000 Beispielen ohne Supervised-Fine-Tuning-Stufe. Das ist eine Beschreibung einer Methode, keine Reproduktion.

Würden die Zugewinne von ZwZ2-27B im direkten Vergleich mit Qwen3.8-27B bei Wahrnehmungsaufgaben Bestand haben?Unbekannt – und aus den vorliegenden Unterlagen nicht ermittelbar. Der Visionsteil von Qwen3.8-27B ist auf Computernutzung, Browsernutzung und multimodale Softwareentwicklung ausgerichtet, nicht auf Vergleiche auf Regionsebene; daher beantwortet selbst Qwens eigene Tabelle nicht die Frage, die die ZwZ2-Behauptung aufwirft.

Ändert die Standardeinstellung des Denkmodus den Vergleich? Ja, stärker als die Benchmark-Lücke vermuten lässt. ZwZ2-27B wird als Single-Pass-Modell ohne Denkmodus evaluiert und dokumentiert; Qwen3.8-27B ist auf anpassbaren Reasoning-Aufwand ausgelegt. Bei latenzkritischen Perception-Aufrufen spricht das für das Design von ZwZ2-27B, bei allem, was Abwägung erfordert, für das von Qwen3.8-27B – allerdings wurden die beiden unter unterschiedlichen Generierungseinstellungen gemessen, sodass die Benchmark-Zahlen diesen Unterschied mit abbilden.