ZwZ2-27B vs. ZwZ2-9B: Was dreimal so viele Parameter tatsächlich bringen

Bei genau einem Benchmark in der 25-Test-Tabelle von inclusionAI gewinnt das kleinere Modell. Chartography – das Ablesen von Werten aus Diagrammen – verleiht ZwZ2-9B eine Punktzahl von 13,00 und ZwZ2-27B eine Punktzahl von 12,00. Beide sind niedrig. Keines ist gut. Aber die Richtung ist der interessante Teil, denn diese beiden Modelle sind dasselbe Experiment in zwei Größen: ein Trainingsrezept, ein Datensatz, eine Paper-Methode, angewandt auf einen Qwen3.5-9B-Körper bzw. einen Qwen3.6-27B-Körper. Wenn das Rezept identisch ist und das größere Modell dreimal so viele Parameter mitbringt, ist die Rechnung, wo diese Größe tatsächlich sichtbar wird, überraschender, als es die prominenten Gesamtergebnisse vermuten lassen.

Gleich zu Beginn sei auch gesagt, dass beide Modelle auf dieselbe unauffällige Weise erschienen sind. Das Repository von ZwZ2-9B wurde am 16. Oktober 2026 um 03:42 UTC erstellt; das von ZwZ2-27B um 05:42 am selben Morgen. Beide enthielten zehn Tage lang Modellgewichte, aber keine Dokumentation, und beide erhielten am 26. Oktober Modellkarten mit vollständigen Benchmark-Tabellen. Keines gibt eine Lizenz an. Keines hat ein veröffentlichtes Paper – die Karten enthalten weiterhin den Platzhalter PAPER_URL.

Ein Rezept, zwei Körper

Die Trainingsmethode ist zwischen den beiden nicht nur ähnlich, es ist dieselbe Methode, angewandt auf zwei Backbones, was sie ungewöhnlich sauber vergleichbar macht. EvidenceConnect gruppiert drei bis sieben zusammenhängende Regionen aus SA-1B-Bildern, generiert Fragen mithilfe privilegierter gezoomter Ausschnitte, filtert diese Fragen durch modellübergreifende Übereinstimmung und einen Drop-one-Region-Test, wandelt die verbleibenden in Aufgaben mit vier Antwortoptionen um und trainiert mit GRPO – ohne Phase überwachten Feintunings. Beide Modelle verwenden etwa 20.000 Trainingsbeispiele.

Die Körper unterscheiden sich auf die übliche Weise:

• Skalierung — 9B Parameter über 32 Schichten bei 4.096 Hidden Size, gegenüber 27B über 64 Schichten bei 5.120 Hidden Size.

• Attention — 16 Query-Heads und 4 KV-Heads bei Dimension 256 für das 9B-Modell, gegenüber 24 Query-Heads und 4 KV-Heads bei derselben Dimension für das 27B-Modell.

• Feed-Forward — 12.288 intermediäre Größe gegenüber 17.408.

• Vision — in beiden derselbe Tower: 27 Schichten bei 1.152 Hidden-Size, projiziert auf 4.096 bzw. 5.120.

• Kontext und Vokabular — identisch bei 262.144 Positionen und 248.320 Tokens.

• Multi-Token-Vorhersage – aus beiden entfernt, mit mtp_num_hidden_layers auf 0.

• Basismodelle – Qwen3.5-9B für das kleine Modell, Qwen3.6-27B für das große. Das ist das Detail, das den Vergleich kompliziert macht, und der nächste Abschnitt handelt davon, warum.

Woher die Gesamtdifferenz von 3,92 Punkten tatsächlich kommt

Hier ist der Befund, den ich vor der Subtraktion nicht erwartet hatte. Die Gesamtmittelwerte liegen bei 60,51 für ZwZ2-27B und 56,59 für ZwZ2-9B — ein Abstand von 3,92 Punkten. Schauen Sie sich nun an, was jede Rezeptur zu ihrer jeweiligen Basis hinzugefügt hat, die in denselben Tabellen, vom selben Labor, auf demselben Harness veröffentlicht ist:

• ZwZ2-27B — Basis-Qwen3.6-27B bei 55,52, getunt bei 60,51. Zugewinn von 4,99.

• ZwZ2-9B — Basis-Qwen3.5-9B bei 51,63, getunt bei 56,59. Zugewinn von 4,96.

Das Rezept erzielt in beiden Größenordnungen nahezu exakt dieselbe Verbesserung. Dreimal so viele Parameter brachten 0,03 Punkte zusätzlichen Trainingsnutzen. Und die Basismodelle lagen bereits 3,89 Punkte auseinander, bevor eines von beiden angefasst wurde.

Von der 3,92-Punkte-Lücke zwischen den fertigen Modellen wurden also 3,89 Punkte von den Checkpoints geerbt, von denen sie ausgingen. Die Spezialisierung hat die Lücke nicht erzeugt. Sie hat sie nahezu perfekt bewahrt.

Dies ist ein Vergleich in einem einzigen Labor mit einem einzigen Harness, daher ist die Subtraktion in einer Weise legitim, wie es bei herstellerübergreifenden Vergleichen nie der Fall ist — jede dieser vier Zahlen stammt aus derselben Tabelle, erzeugt vom selben Auswertungscode, auf demselben Benchmark-Set. Die Rundung ist grob genug, dass 0,03 nicht als Präzision gelesen werden sollte; die ehrliche Lesart ist „nicht unterscheidbar“.

Praktisch bedeutet das, dass die Wahl zwischen diesen beiden Modellen fast der Wahl zwischen Qwen3.5-9B und Qwen3.6-27B plus einer festen Wahrnehmungsanpassung entspricht. Wenn Sie für Ihre Arbeitslast nicht das größere Basismodell gewählt hätten, wird das ZwZ2-Training diese Entscheidung nicht ändern.

Domäne für Domäne: Die Größe zeigt sich an einer Stelle

Durchschnittswerte verbergen die Struktur, und hier ist die Struktur schief. Vergleicht man die beiden abgestimmten Modelle über die sechs Domänen hinweg:

• Feinkörnige Wahrnehmung – 67,57 für das 27B-Modell gegenüber 66,02 für das 9B-Modell. Eine Differenz von 1,55, die kleinste der sechs.

• Raumwahrnehmung — 55,98 gegenüber 52,33. Eine Differenz von 3,65.

• Allgemeines visuelles Schlussfolgern — 53,71 gegenüber 49,83. Eine Differenz von 3,88.

Verkörpertes räumliches Denken — 55,71 gegenüber 51,11. Eine Differenz von 4,60.

• Langkontextverständnis — 68,77 gegenüber 64,08. Eine Differenz von 4,69.

• Multimodale Agenten — 51,81 gegenüber 42,43. Eine Differenz von 9,38.

Das Muster ist konsistent: Der Vorteil des größeren Modells verdoppelt sich ungefähr, wenn die Aufgabe vom Betrachten eines Bildes zum Handeln auf Basis eines Bildes übergeht. Bei den acht feingranularen Wahrnehmungs-Benchmarks – denjenigen, für die die Methode ausdrücklich konzipiert wurde – liegen die beiden Modelle innerhalb von eineinhalb Punkten voneinander entfernt, wobei Chartography rückwärts läuft.

Der agentische Bereich ist der Bereich, in dem das 27B seinen Speicherbedarf rechtfertigt, und der größte Teil dieser Lücke stammt aus einem einzigen Test. UI-Vision erreicht 66,66 für ZwZ2-27B und 45,48 für ZwZ2-9B – ein Abstand von 21,18 Punkten, größer als bei jedem anderen Eintrag in der Tabelle. ScreenSpot-Pro und AgentVista liefern kleinere Beiträge, mit 70,59 gegenüber 66,98 und 18,18 gegenüber 14,83.

UI-Vision ist ein Benchmark für Interface-Grounding, und das Ergebnis sagt etwas Spezifisches statt Allgemeines: Wenn Ihre Workload darin besteht, eine Softwareoberfläche zu lesen und zu bedienen, leistet das 27B etwas, das das 9B größtenteils nicht kann. Wenn Ihre Workload darin besteht, markierte Bereiche auf einem Foto oder einer Dokumentseite zu vergleichen, leistet das 9B nahezu dasselbe für ein Drittel der Gewichte.

Der eine Test, den das kleine Modell gewinnt, und wie stark er gewichtet werden sollte

Chartography ist es wert, näher betrachtet zu werden, gerade weil es die Ausnahme ist, die beweist, wie eng die Spezialisierung ist. Beide Ergebnisse sind schlecht – 13,00 und 12,00 von 100, gegenüber einer Qwen3.6-27B-Basis von 8,00 und einer Qwen3.5-9B-Basis von 7,00. Das Training hob beide Modelle um etwa fünf bis sechs Punkte bei einer Aufgabe, die sie immer noch nicht zuverlässig bewältigen können, und der Anstieg des 9B-Modells lag zufällig einen Punkt höher.

Die richtige Schlussfolgerung ist nicht, dass das 9B bei Diagrammen besser ist. Sie lautet, dass bei einer Aufgabe, die so weit außerhalb der Trainingsverteilung liegt, der Unterschied zwischen den beiden Modellen Rauschen ist und das vernünftige Verhalten darin besteht, das Lesen von Diagrammen ganz woandershin zu leiten. Ein Modell, das 12 oder 13 in einem Diagramm-Benchmark erreicht, hat keine Diagrammfähigkeit, zwischen der es wählen könnte.

Dieselbe Vorsicht gilt für die anderen niedrigen absoluten Werte. ZwZ2-9B erreicht im Durchschnitt 42,43 bei multimodalen Agenten und 18,18 bei AgentVista; ZwZ2-27B erreicht im Durchschnitt 51,81 und 18,18. Beide sind in absoluten Zahlen schwach bei agentischen Aufgaben, und die Tatsache, dass das größere Modell deutlich weniger schwach ist, macht es nicht stark.

Wie der Speicherbedarf wirklich aussieht

Der Parameterunterschied ist der Teil, für den Sie jeden Tag zahlen. ZwZ2-9B ist eine einzelne Safetensors-Datei mit 9,41 Milliarden Parametern, in bf16 etwa 19 GB groß. ZwZ2-27B ist auf zwei Shards mit insgesamt etwa 54 GB aufgeteilt. Nimmt man Vision-Tower-Aktivierungen und ein KV-Budget von 262.144 Positionen hinzu, ergibt sich praktisch folgende Aufteilung:

• ZwZ2-9B — passt bequem auf einen einzelnen 24-GB-Consumer-Beschleuniger bei bf16, knapp, aber machbar; es gibt kein quantisiertes Release, daher fährst du volle Präzision, es sei denn, du quantisierst selbst.

• ZwZ2-27B — eine 80-GB-Karte mit Reserve oder zwei 40-GB-Karten in einem knappen Tensor-Parallel-Split. Mit weniger läuft es nicht in bf16.

• Serving-Unterstützung – keines der beiden Repositories liefert ein vLLM- oder SGLang-Rezept. Beide pinnen transformers==5.13.1 im Quickstart fest, und beide sind ausschließlich im Non-Thinking-Modus dokumentiert, wobei die Antworten in <answer>-Tags eingebettet sind. Keines der beiden gibt eine Lizenz an, was für einen Produktionseinsatz ein größeres Hindernis darstellt als eine der beiden Speicherangaben.

Dieser letzte Punkt verdient einen eigenen Satz, denn auf beiden Seiten ist es dasselbe: Es gibt keine Lizenz zum Nachlesen. Die Karten verweisen auf „die Lizenz, die mit den veröffentlichten Gewichten einhergeht“, doch die Gewichte enthalten keine. Für welche Größe man sich auch entscheidet, die kommerzielle Frage bleibt unbeantwortet.

Beides verwenden, statt zu wählen

Die Domänentabelle deutet stärker auf ein zweistufiges Muster als auf einen eindeutigen Sieger. Die feingranulare Wahrnehmung bewegt sich zwischen den Größen kaum, daher ist das 9B dort ein sinnvoller erster Durchlauf; agentische Interface-Arbeit verschiebt sich um mehr als neun Punkte im Domänendurchschnitt und um einundzwanzig bei UI-Vision, daher gehört dieser Datenverkehr auf das 27B. Ein Router, der nach Aufgabentyp weiterleitet, würde die meisten seiner Tokens für das günstige Modell aufwenden und das teure für Bildschirme reservieren.

Keine der beiden ZwZ2-Größen ist in unserem Katalog, daher bedeutet dieses Muster heute, zwei Checkpoints auf Ihrer eigenen Hardware laufen zu lassen und das Dispatching selbst zu schreiben. OrcaRouter passt auf die generalistische Seite desselben Stacks: Qwen3.8-27B und Qwen3.5-27B sind beide hier hinter einem Schlüssel routbar zum Listenpreis des Anbieters ohne Aufschlag, sodass die Workload, die keinen Regionsvergleich benötigt, zu einem gehosteten Modell mit automatischem Failover gehen kann, während der spezialisierte Traffic lokal bleibt. Das ist eine kleinere Behauptung als „ZwZ2 durch uns routen“, was wir nicht anbieten können – aber es ist der Teil der Architektur, der jetzt tatsächlich verfügbar ist.

Die ehrliche Zusammenfassung ist wenig glamourös. Zwei Checkpoints, dasselbe Rezept, dieselbe Stille, dieselbe fehlende Lizenz und eine Leistungslücke, die fast vollständig aus der bereits bestehenden Lücke der Basismodelle plus einer echten Spezialisierung am oberen Ende für Interface-Arbeit besteht. Wenn du die UI-Zahlen des 27B brauchst, brauchst du das 27B und die 80-GB-Karte. Wenn nicht, bringt dich das 9B bis auf anderthalb Punkte an die Aufgabe heran, für deren Verbesserung das ganze Projekt entwickelt wurde, und es passt auf Hardware, die du wahrscheinlich schon besitzt.