ZoomGain-9B vs Qwen 3.8 8B: No existe Qwen3.8-8B, y de eso trata el artículo

Busca "Q​wen 3.8 8B" y encontrarás páginas de comparación, enlaces de descarga y media docena de artículos que lo tratan como un modelo ya lanzado. No lo es. La generación Q​wen3.8 de A​libaba contiene cuatro checkpoints abiertos —Qwen3.8-27B, su versión FP8, Qwen3.8-2.4T-A95B y Qwen3.8-Flash-Next—, y ninguno de ellos es un 8B. El hueco de 8B en la línea Q​wen lo ocupa Qwen3-8B, un modelo de la generación Q​wen3 de 2025, que es una arquitectura distinta, un tokenizador distinto y una época distinta. Así que la versión honesta de esta comparación es entre ZoomGain-9B, el checkpoint de visión-lenguaje de 9B que inclusionAI publicó el 10 de noviembre de 2026, y los dos modelos Q​wen que realmente existen a un tamaño comparable: Qwen3.8-27B, el miembro denso más pequeño de la generación 3.8, con 27 mil millones de parámetros, y Qwen3.5-9B, el tronco a partir del cual se postentrenó ZoomGain-9B.

Esa corrección no es un tecnicismo que haya que quitar de en medio antes de llegar a lo interesante. Cambia la respuesta. Qwen3.5-9B es el modelo base sobre el que se entrenó ZoomGain, así que es lo más parecido a un experimento controlado en todo este lanzamiento: los mismos pesos, la misma arquitectura, el mismo tokenizador y 9.000 muestras de RL de diferencia. Qwen3.8-27B es tres veces más grande y dos generaciones más nuevo, y es el modelo que en realidad elegirías en lugar de ZoomGain si hoy quisieras un endpoint de Qwen. Comparar con ambos te dice algo que el 8B fantasma nunca podría.

Por qué existe siquiera la entrada fantasma

La elección de nombres no es aleatoria. Qwen lanzó 27B y 2.4T-A95B el 5 y el 8 de agosto de 2026, y después Flash-Next el 24 de agosto. La generación anterior, Qwen3.5, contaba con un 9B y un 4B; Qwen3.6 tenía 27B y 35B-A3B. Todas las generaciones desde Qwen3 han incluido un modelo denso pequeño, y la generación 3.8 es la primera que prescinde de uno. Cualquiera que estableciera patrones a partir de las tres versiones anteriores predeciría razonablemente un Qwen3.8-9B, y un Qwen3.8-8B se queda a un dígito de esa predicción.

Lo que realmente llena el vacío es la destilación comunitaria. Los checkpoints de Qwen3.8-9B-Distill aparecieron en el Hub procedentes de laboratorios independientes en el plazo de una semana tras el lanzamiento de 27B, y les siguieron derivados de esos derivados. Son modelos pequeños entrenados con salidas de Qwen3.8, no modelos Qwen3.8. Si una página que encontraste describe «Qwen 3.8 8B» con cifras de benchmark, la explicación más probable es que está describiendo uno de esos, o que no está describiendo nada.

La consecuencia práctica: si necesitas un modelo pequeño de la familia Qwen, las opciones reales actuales son Qwen3.5-9B en 9B y Qwen3.5-4B en 4B, ambos de febrero de 2026, ambos Apache 2.0, ambos todavía entre los modelos más descargados del Hub. ZoomGain-9B está construido sobre el primero de ellos.

El experimento controlado que el lanzamiento proporciona accidentalmente

La configuración de Qwen3.5-9B y la de ZoomGain-9B tienen la misma forma: 32 capas, tamaño oculto de 4.096, tamaño intermedio de 12.288, 16 cabezas de consulta frente a 4 cabezas KV con dimensión de cabeza de 256, 262.144 posiciones máximas, y el mismo esquema 3:1 de DeltaNet lineal a atención completa. La torre de visión es la del modelo base. Nada de la arquitectura cambió.

Lo que cambió es el postentrenamiento. ZoomGain aplicó GRPO a 9.000 preguntas generadas mediante la minería de detalles recortados, durante una época, con ocho rollouts por pregunta. Esa es toda la intervención, y su efecto medido en ZoomGainBench es de 32,13 a 55,48 — un salto de 23,35 puntos en un benchmark construido con el mismo pipeline que los datos de entrenamiento, que el artículo etiqueta honestamente como "Held-in".

La cifra que sobrevive a esa salvedad es el promedio en datos reservados a través de trece benchmarks que el entrenamiento nunca vio: 59,75 para Qwen3.5-9B, 66,10 para ZoomGain-9B. Una ganancia de 6,35 puntos a partir de 9.000 muestras, con los mismos pesos. En la familia específica a la que apunta el lanzamiento, las diferencias son mayores: HR-Bench 4K de 82,13 a 90,25, V*Bench de 86,91 a 93,19, VisualProbe de 44,66 a 56,31.

• El interesante resultado negativo: MMStar pasa de 71,73 a 73,87, y BabyVision de 15,98 a 17,53. La competencia multimodal general apenas cambia. El entrenamiento aportó detalle fino y poco más, que es lo que debería hacer una ejecución de RL dirigida con 9.000 muestras.

• La advertencia honesta: todo lo anterior está reportado por los autores en el arnés de los propios autores. Nadie fuera de Ant Group lo ha reproducido. El evaluador y el benchmark son públicos, así que es verificable, pero no se ha verificado.

Qwen3.8-27B, y la fila que lo sitúa en la misma tabla

Aquí la comparación se vuelve real, porque el artículo de ZoomGain sí evaluó Qwen3.8-27B en su propio benchmark. El 27B obtiene 44.81 en total en ZoomGainBench —por detrás del 48.65 de Kimi-K3, del 55.05 de Qwen3.8-Flash-Next y de todos los modelos frontera de código cerrado de la tabla. Según esa medida, es un perceptor de detalles finos competente pero poco destacable.

Compárese eso con el 55,48 de ZoomGain-9B en la misma prueba y la aritmética resulta llamativa: un modelo de 9B que obtiene 10,7 puntos más que un modelo de 27B de la misma familia, en un benchmark que el marketing de ninguno de los dos proveedores elegiría. Pero esta es exactamente la comparación a la que hay que adjuntarle la etiqueta de held-in, y el artículo lo hace. ZoomGainBench fue construido por el mismo pipeline que construyó los datos de entrenamiento de ZoomGain. Un modelo entrenado con preguntas de ese pipeline ha visto la distribución; un modelo evaluado en él, no. La brecha de 10,7 puntos es una afirmación sobre el ajuste a la distribución, no sobre la capacidad.

Donde los dos pueden compararse sin esa distorsión, la imagen se invierte. La propia ficha de Qwen3.8-27B reporta Terminal Bench 2.1 en 73.0, SWE-bench Pro en 61.7, LiveCodeBench v6 en 90.3, GPQA Diamond 89.2 y HLE 30.8. ZoomGain-9B no fue evaluado en ninguno de estos y no cabría esperar que lo hiciera bien: su entrenamiento nunca tocó código, tareas de terminal ni ciencia de nivel de posgrado. Qwen3.8-27B también acepta imágenes y vídeo de forma nativa, ofrece un contexto de 262,144 tokens ampliable a un millón y permite controlar el pensamiento con `reasoning_effort` —una capacidad que ZoomGain-9B no tiene en absoluto, ya que su evaluación se ejecuta con el pensamiento desactivado.

• Tamaño y forma — Qwen3.8-27B es un modelo denso de 27B con 64 capas, hidden 5.120, intermedio 17.408 y una cabeza de predicción multitoken de 1 capa. ZoomGain-9B es aproximadamente 9,4B con 32 capas en hidden 4.096.

Disponibilidad — Qwen3.8-27B tiene 7,4 millones de descargas, una licencia Apache 2.0, compilaciones FP8 y GGUF, y un endpoint alojado. ZoomGain-9B no tiene endpoint alojado, una asignación de proveedor vacía en el Hub, una licencia remitida a una tarjeta del modelo sin etiqueta de licencia, y compilaciones GGUF del 11 de noviembre como su única distribución más allá de BF16.

• Fechas de lanzamiento — Qwen3.8-27B: 5 de agosto de 2026, un lanzamiento completo con una entrada de blog y un informe técnico. ZoomGain-9B: 10 de noviembre de 2026, un artículo, un repositorio y nada más. La diferencia de tres meses importa menos que el hecho de que uno de ellos haya estado en producción desde agosto.

El precio de cada ruta, y el que realmente podemos venderte

Qwen3.8-27B está en el catálogo de OrcaRouter a 0,33 $ por millón de tokens de entrada y 2,40 $ por millón de salida, con una ventana de contexto de 262K, entrada de texto, imagen y vídeo, y un 0 % de margen sobre el precio de lista del proveedor: la cifra que aparece en nuestra página del modelo es la cifra que cobra Qwen, trasladada tal cual, de modo que un cambio de precio del proveedor se refleja aquí el mismo día y no después de un ciclo de reajuste de precios. La misma clave también da acceso a Qwen3.8-Flash y Qwen3.8-Max si resulta que el 27B no es el tamaño adecuado, y el failover hace que un endpoint atascado se reintente con un proveedor antes de que empiece la respuesta en lugar de después de que tu solicitud agote el tiempo de espera.

ZoomGain-9B no está en el catálogo y no se puede invocar a través de nosotros. Son 18,82 GB en BF16, o 5,63 GB en Q4_K_M más un proyector mmproj de 0,52 GB, servido bajo vLLM 0.19.1 con transformers 5.7.0 o bajo una compilación de llama.cpp con soporte multimodal de Q​wen3.5. Qwen3.5-9B tampoco está en el catálogo, y conviene decirlo sin rodeos: la versión alojada barata de esta comparación tampoco existe de nuestro lado.

Si tu pregunta real es «¿debería ejecutar ZoomGain-9B en lugar de pagar por un endpoint de Qwen?», la comparación de costos no está reñida en ningún sentido y no tiene por qué estarlo. Un modelo denso de 27B a $0.33 por millón de tokens de entrada es más barato que tener una GPU propia para casi cualquier volumen que describirías como ocasional. El autoalojamiento de un 9B solo compensa cuando el volumen es alto, los datos no pueden salir de tu red o la tarea es esa única cosa concreta para la que se entrenó el 9B.

Cuándo habría importado el modelo fantasma

Hay un hueco real en la gama Qwen, y merece la pena nombrarlo porque explica por qué tanta gente buscó esta comparativa. Un modelo denso de 9B con una ventana de 262K y un vocabulario de la generación Qwen3.8, vendido a un precio cercano al de Qwen3.5-9B, sería la opción económica obvia para pipelines con muchas imágenes: más barato que el 27B, más capaz que el 4B y lo bastante pequeño como para autoalojarlo en una sola tarjeta. Qwen no lanzó ninguno, así que el hueco lo cubren actualmente o bien el Qwen3.5-9B más antiguo, o bien una destilación de la comunidad sin ningún proveedor detrás.

ZoomGain-9B tampoco es ese modelo, y la distinción importa. Es un especialista en percepción con una cuestión de licencia de investigación y sin ruta alojada, no un Q​wen pequeño de propósito general. Si lo que querías de «Q​wen 3.8 8B» era un generalista barato, ZoomGain-9B te decepcionará en todo excepto en el detalle fino. Si lo que querías era un modelo capaz de encontrar el número de serie en una fotografía 4K, es uno de los pocos checkpoints pequeños creados específicamente para eso.

Para el caso generalista, los sustitutos realistas son la línea Qwen3.5 alojada —35B-A3B a $0.057 por millón de tokens de entrada, 27B a $0.086—, que ocupan el hueco económico que habría cubierto el 8B ausente, con una huella mayor y un endpoint real. Para el caso de percepción, no hay ningún sustituto alojado que podamos ofrecer: Qwen3-VL-8B-Instruct, a $0.18 de entrada y $0.70 de salida por millón de tokens, admite imágenes y sirve como sustituto para comprobar si tus errores son errores de detalle, pero no se ha entrenado como ZoomGain y no igualará su rendimiento en recortes.

Qué hacer con esto, concretamente

Si viniste aquí buscando un veredicto sobre ZoomGain-9B vs Qwen3.8-8B, el veredicto es que el oponente no existe y cualquier página que te haya dado uno se inventó la mitad de la comparación. Las dos preguntas reales son más concretas y ambas se pueden responder hoy.

Pregunta uno: ¿un ajuste fino de 9B de Qwen3.5-9B es mejor que Qwen3.5-9B en percepción de grano fino? Según las cifras de los autores, sí, por 6,35 puntos en el conjunto de validación y por mucho más en los benchmarks que el entrenamiento tenía como objetivo. Es un resultado sólido para 9.000 muestras y lo más interesante del lanzamiento.

Pregunta dos: ¿ZoomGain-9B es mejor que Qwen3.8-27B en algo que te importe? En capacidad general, no — el 27B es más nuevo, más grande, mejor documentado, tiene licencia, está alojado y se evalúa en muchos más ejes. En un benchmark construido a partir de la propia distribución de entrenamiento de ZoomGain, obtiene 10.7 puntos más, lo que te dice que el entrenamiento funcionó y no te dice nada sobre qué modelo comprar.

La decisión que sigue no tiene nada de glamurosa. Usa un modelo Q​wen alojado para el trabajo general, porque cuesta 0,33 dólares por cada millón de tokens de entrada y llega en una sola llamada a la API. Descarga ZoomGain-9B solo si tienes un trabajo específico que requiera gran detalle, una GPU y un abogado que haya leído un archivo de licencia que el proveedor no ha publicado.