ZwZ2-27B: Los pesos llegaron el 16 de octubre, la explicación llegó diez días después

ZwZ2-27B ha estado disponible para descargar en Hugging Face desde el 16 de octubre de 2026. Durante los primeros diez días de su vida pública no hubo anuncio, ni artículo, ni README, ni licencia declarada — solo dos shards de safetensors bf16 bajo inclusionAI, y un repositorio que no daba ninguna razón para existir. El 26 de octubre apareció una tarjeta de modelo. Dice que el modelo es un sistema de visión y lenguaje entrenado con aprendizaje por refuerzo construido sobre Qwen3.6-27B, y publica una evaluación de 25 benchmarks en la que el modelo supera a esa base por 4,99 puntos en general.

Eso es todo lo nuevo, y conviene separarlo de lo que la gente supondrá que ocurrió. No es un lanzamiento. Los pesos tienen once días y el proveedor aún no los ha anunciado. Lo que cambió esta semana es que por fin podemos leer para qué cree inclusionAI que sirve el modelo.

Qué cambió realmente, por fecha

El propio historial de commits del repositorio es la evidencia más limpia de la que se dispone, y no favorece al relato. Tres commits lo contienen todo:

• 16 de octubre, 05:42 UTC — commit inicial y, diez minutos después, “Add ZwZ2-27B model weights”. Configuración, tokenizador, procesador y los dos fragmentos de pesos. Sin README.

• 26 de octubre, 02:58 UTC — “Create README.md”. La primera descripción escrita del modelo, diez días después de los pesos.

• 26–27 de octubre — revisiones repetidas del README y cargas de seis archivos mientras se ensamblaban las figuras del benchmark y los recursos de imagen.

En el momento de escribir esto, el repositorio muestra siete descargas y cero me gusta. El proyecto complementario de GitHub, inclusionAI/Zooming-without-Zooming-v2, se creó el 14 de octubre y tiene una estrella. Las búsquedas del nombre del modelo en inglés devuelven cobertura de la familia anterior ZwZ-2B/4B/8B y del ZwZ2-9B del 16 de octubre, y nada en absoluto sobre el 27B. Si aquí hubo un lanzamiento, fue sin público.

El modelo en el archivo de configuración

Los archivos de configuración son la parte menos glamurosa y más fiable de cualquier lanzamiento. Este describe un modelo denso de visión-lenguaje cuya declaración de arquitectura es Qwen3_5ForConditionalGeneration —la misma clase que usan los propios modelos de Qwen— con las siguientes cifras:

• Torre de texto — tamaño oculto de 5.120, 64 capas, 24 cabezas de consulta y 4 cabezas KV con dimensión de cabeza de 256, ancho de feed-forward de 17.408.

• Disposición de la atención: una proporción de 3:1 entre capas de atención lineal y capas de atención completa, que se repite 16 veces, con M-RoPE intercalado y una base rotatoria de 10.000.000.

• Vocabulario y contexto — 248.320 tokens, 262.144 posiciones nativas.

• Torre de visión — 27 capas con un tamaño oculto de 1.152, proyectando a 5.120, tamaño de parche 16 con fusión espacial 2×2.

• Predicción multi-token — mtp_num_hidden_layers establecido en 0, es decir, la cabeza MTP se ha eliminado con respecto al backbone de Qwen.

Esa última línea es la única diferencia estructural respecto a la base. Todo lo demás —número de capas, geometría de cabezas, vocabulario, límite de contexto, profundidad de visión— coincide con Qwen3.6-27B exactamente. ZwZ2-27B es el mismo cuerpo con un régimen de posentrenamiento diferente y una cabeza de decodificación especulativa retirada.

También significa que el modelo no es pequeño. Con 27B parámetros en bf16, los pesos son aproximadamente 54 GB repartidos en dos fragmentos, lo que supone una carga cómoda en un único acelerador de 80 GB o una carga ajustada en dos tarjetas de 40 GB. No hay una variante cuantizada en el repositorio, ni una receta para vLLM o SGLang, ni notas de servicio más allá de un quickstart de Hugging Face transformers fijado a la versión 5.13.1.

La afirmación de +4.99 y exactamente qué cubre

El titular de la ficha es que, en 25 benchmarks de seis dominios, el modelo «mejora respecto de su modelo base en todos los benchmarks», llevando la media general de 55.52 a 60.51. Ambas partes de esa frase concuerdan con la figura de resultados publicada, y ambas necesitan un matiz.

La salvedad es que este es el propio arnés de inclusionAI, su propia selección de benchmarks y su propia puntuación, publicados en su propio repositorio. Nada de esto se ha reproducido fuera de la organización. Es una evaluación de proveedor en el sentido habitual: útil para ver qué buscaba optimizar el equipo, pero no sirve como una calificación independiente.

El otro matiz es la escala. Una ganancia de 4,99 puntos en una media de 25 benchmarks es un movimiento real, pero la media es un promedio de precisiones entre tareas muy diferentes, con cada dominio ponderado por igual. No es un índice de capacidad y nunca debería compararse con una puntuación de una suite diferente.

Aquí está el desglose a nivel de dominio, base frente a ajustado:

• Percepción de grano fino — de 62,09 a 67,57, una mejora de 5,48 en ocho benchmarks, incluidos VStar, HR-8K y MME-RealWorld.

• Percepción espacial — de 49,72 a 55,98, una ganancia de 6,26 en seis benchmarks.

• Comprensión de contexto largo — 65,87 a 68,77, una ganancia de 2,90 en tres pruebas de referencia.

• Razonamiento espacial encarnado — de 50.17 a 55.71, una mejora de 5.54 en tres benchmarks.

• Agentes multimodales — 49.73 a 51.81, una ganancia de 2.08 en tres benchmarks.

• Razonamiento visual general — de 47,89 a 53,71, una mejora de 5,82 en MMStar y BabyVision.

Dónde se concentran las mejoras — y dónde el modelo sigue siendo débil

La forma de esa tabla importa más que su media. Las mayores ganancias relativas se dan en la percepción espacial y el razonamiento corporizado, lo que concuerda con lo que el método afirma enseñar: comparar, emparejar y agregar evidencia entre varias regiones marcadas de una misma imagen, usando imágenes completas en el momento de la inferencia y sin llamadas externas de zoom.

Las dos ganancias más pequeñas son los agentes de contexto largo y los multimodales. Esos son también los dos dominios en los que el modelo base ya era más fuerte en relación con la tarea, que es el patrón habitual del ajuste fino con RL sobre una receta de datos estrecha: mueve lo que la señal de recompensa puede ver.

Los números absolutos son la lectura más aleccionadora. Chartography se sitúa en 12.00. AgentVista se sitúa en 18.18. Perception-Bench, en 44.93. Un modelo puede ganar cinco puntos en el cómputo global y aun así estar cerca de ser inservible en varios benchmarks individuales del conjunto, y este lo está. Cualquiera que cite “60.51 global” como una cifra de competencia general está citando un promedio que oculta un 12.

La receta de entrenamiento explica el techo. EvidenceConnect construye sus datos a partir de imágenes SA-1B agrupando entre tres y siete regiones relacionadas, generando preguntas con recortes ampliados privilegiados, filtrando mediante la concordancia entre modelos y pruebas de eliminación de una región, convirtiéndolas en tareas de cuatro opciones y entrenando con GRPO —los tres tamaños de modelo con aproximadamente 20.000 ejemplos, sin una etapa de ajuste fino supervisado—. Esa es una dieta concentrada. Proporciona de forma fiable percepción a nivel de región y no pretende proporcionar razonamiento de final abierto.

Las columnas del modelo de referencia merecen una advertencia.

La figura de resultados también incluye tres modelos de API como puntos de referencia: GPT-5.6-Luna con 54,02, GLM-5.3-Flash con 57,24 y DeepSeek-V4.1-Flash con 55,47, frente al 60,51 de ZwZ2-27B. A primera vista, eso sitúa a un checkpoint de pesos abiertos subido discretamente por encima de tres modelos de producción alojados.

Tres cosas deberían moderar esa lectura. Primero, la restricción de servicio se señala en la propia tarjeta: la resolución de imagen de los modelos avanzados estaba limitada por sus plataformas de servicio, lo que supone una desventaja real en un conjunto de benchmark cargado de detalles finos. Segundo, no se trata de evaluaciones publicadas por esos propios proveedores: es inclusionAI ejecutando modelos de otras empresas a través del arnés de inclusionAI, sin indicación de que los proveedores hayan participado o hayan confirmado las cifras. Tercero, la columna de GPT está marcada explícitamente como no reportada en algunas filas, por lo que el conjunto de referencia está poblado de forma desigual.

Nada de eso hace que las cifras sean incorrectas. Sí significa que son las mediciones de un laboratorio sobre sus competidores en una suite de benchmarks en la que su propio modelo había tenido diez días de ajuste adicional. Considera la comparación del modelo base como la que importa y las columnas de API como contexto.

¿Qué falta todavía?

El inventario honesto de incógnitas es más largo que la lista de certezas, y empieza por la licencia. El front matter de la ficha del modelo etiqueta el modelo base, el conjunto de datos y la tarea del pipeline; no declara una licencia. El cuerpo dice que se “consulte la licencia que acompaña a los pesos publicados y la licencia aplicable del backbone”, lo cual es circular cuando los propios pesos no incluyen ninguna. Qwen3.6-27B es Apache-2.0, así que el lado del backbone está claro. Los términos del derivado no lo están, y para una empresa que quiera lanzar esto en un producto, esa única omisión tiene más consecuencias que cualquier fila de benchmark.

El artículo tampoco ha salido todavía. La propia cabecera de la tarjeta contiene el texto literal de marcador de posición <!-- Replace PAPER_URL with the final v2 paper URL. --> y enlaces a PAPER_URL. El repositorio del proyecto existe; el documento al que debería apuntar, no.

Además de eso:

• No existe ninguna evaluación independiente de ZwZ2-27B, por parte de nadie.

• No se ha localizado ningún anuncio del proveedor, publicación de blog ni publicación en redes sociales para este modelo.

La evaluación publicada es en modo low/thinking — el quickstart de la tarjeta se ejecuta con enable_thinking=False y la plantilla de chat solicita las respuestas dentro de etiquetas <answer>. Las cifras del modo thinking no forman parte de la afirmación.

• Sin soporte de frameworks más allá de la versión fijada de Transformers. Sin GGUF, sin AWQ, sin configuración publicada de vLLM.

• La ficha enumera modos de fallo conocidos —detalle alucinado, texto mal leído, errores de conteo y espaciales—, lo que supone más franqueza de la que ofrecen la mayoría de las fichas de proveedores y un resumen justo de cómo se ve en la práctica un 12.00 en Chartography.

Cómo evaluarlo sin apostar nada por ello

ZwZ2-27B no está en nuestro catálogo, y este artículo no debe interpretarse como que lo está. Para ejecutarlo hoy hay que descargar 54 GB de pesos, instalar una compilación específica de Transformers y servirlo por cuenta propia, lo cual es una tarde razonable si ya se dispone del hardware y un mal empleo de una tarde si lo que se intenta es responder una pregunta de producto esta semana.

Una secuencia más económica consiste en poner a prueba la afirmación en lugar del modelo. La afirmación es concreta: que el RL sobre un conjunto de datos de comparación de regiones de 20 000 ejemplos hace que un checkpoint Qwen3.6-27B sea mejor a la hora de leer detalles finos sin herramientas de zoom. Si ese es tu verdadero cuello de botella —documentos densos, gráficos, capturas de pantalla de interfaces, preguntas sobre múltiples regiones—, el modelo base es la condición de control, y su sucesor ya se puede enrutar aquí: Qwen3.8-27B y Qwen3.5-27B están ambos en OrcaRouter con una sola clave, junto con más de 200 modelos al precio de lista del proveedor, sin recargo. Si resulta que un ZwZ2-27B autoalojado merece la pena adoptarse, puedes ponerlo bajo la misma clave y dejar que la conmutación automática en caso de fallo decida entre este y un modelo generalista alojado, en lugar de reescribir la integración.

Lo que haría que esto pasara de “carga interesante” a “modelo adoptable” es una lista corta. Una licencia con nombre. Un artículo que permita a alguien verificar la construcción del benchmark. Una ejecución independiente —aunque sea parcial— en benchmarks que el proveedor no eligió. Y un anuncio que, tras once días de silencio, empieza a parecer una ausencia deliberada más que un descuido.

Hasta entonces, la afirmación defendible es limitada y merece decirse sin rodeos: un checkpoint de 27B no documentado de inclusionAI lleva en Hugging Face desde el 16 de octubre, y a fecha del 26 de octubre sus autores están dispuestos a afirmar una mejora de cinco puntos sobre Qwen3.6-27B en un conjunto de benchmarks que ellos mismos crearon. Eso es una hipótesis con pesos incluidos. Todavía no es un resultado.