ZwZ2-27B vs Qwen3.8-27B: Mismo esqueleto, dos apuestas muy diferentes

Lo extraño de ZwZ2-27B frente a Qwen3.8-27B es que los dos modelos son la misma máquina. Abre ambos archivos de configuración y los números coinciden línea por línea: 64 capas, tamaño oculto de 5,120, 24 cabezas de consulta frente a 4 cabezas KV con dimensión 256, un ancho de feed-forward de 17,408, un vocabulario de 248,320 tokens, 262,144 posiciones y una torre de visión de 27 capas con tamaño oculto de 1,152. Incluso declaran la misma clase de arquitectura. Lo que los separa no es la anchura ni la profundidad. Es lo que cada laboratorio le hizo a ese cuerpo después —y, hasta ahora, nadie los ha enfrentado entre sí para averiguar qué elección ganó.

Esa ausencia es lo primero que hay que decir sin rodeos. La evaluación publicada por inclusionAI para ZwZ2-27B lo compara con GPT-5.6-Luna, GLM-5.3-Flash y DeepSeek-V4.1-Flash. No incluye a Qwen3.8-27B ni incluye ningún modelo Qwen más reciente que aquel sobre el que se construyó ZwZ2. Qwen, por su parte, nunca ha mencionado a ZwZ2 en absoluto. Todas las cifras que aparecen a continuación proceden de un laboratorio midiéndose a sí mismo, o de Qwen midiéndose a sí misma, y ningún tercero ha puesto a los dos en un mismo banco de pruebas.

El mismo esqueleto, línea por línea

Vale la pena ser precisos sobre lo cerca que están, porque el habitual encuadre de «27B frente a 27B» se queda corto. No son dos modelos que casualmente acaban en una escala similar; son dos procesos de post-entrenamiento sobre una arquitectura intercambiable.

• Parámetros — 27B para ambos, densos, sin enrutamiento de mezcla de expertos en ninguna de las configuraciones.

• Profundidad y anchura — 64 capas, tamaño oculto de 5.120, tamaño intermedio de 17.408, idénticos en ambos archivos.

• Atención — 24 cabezas de consulta, 4 cabezas KV, dimensión de cabeza 256, factor de rotación parcial 0,25, base de rotación 10.000.000.

• Programación de capas — un patrón de atención de lineal a completa de 3:1, 16 repeticiones, en ambos.

• Vocabulario y contexto: 248.320 tokens y 262.144 posiciones nativas, en ambos.

• Torre de visión: 27 capas, tamaño oculto de 1.152, proyectando a 5.120, en ambos.

La consecuencia práctica es que la cuestión del hardware es la misma para ambos. Aproximadamente 54 GB de pesos en bf16, una tarjeta de 80 GB cómodamente o dos de 40 GB justo. Ninguno es un modelo que se ejecute en un portátil, y ninguno tiene una versión cuantizada en su propio repositorio —el ecosistema de Qwen las produce, y ZwZ2 casi no tiene ecosistema alguno.

La única línea que difiere, y dos valores predeterminados que importan más

Estructuralmente hay exactamente una divergencia: Qwen3.8-27B establece mtp_num_hidden_layers en 1, manteniendo una cabeza de predicción multi-token que, según Qwen, fue entrenada con múltiples pasos. ZwZ2-27B lo establece en 0. Al modelo de inclusionAI se le ha amputado la cabeza de decodificación especulativa, que es lo que se hace cuando tu pipeline de entrenamiento no la utiliza y prefieres distribuir un artefacto más pequeño y sencillo. Es una diferencia de mantenimiento, no una declaración de diseño.

Los valores predeterminados son el punto en el que los dos modelos realmente se separan, y darán forma a tu integración más que cualquier valor de configuración.

Pensamiento. Qwen3.8-27B piensa antes de responder de forma predeterminada, expone tres niveles de esfuerzo —con xhigh como predeterminado— y puede conservar el contexto de razonamiento de turnos anteriores mediante preserve_thinking. ZwZ2-27B está documentado en modo sin pensamiento: su guía de inicio rápido pasa enable_thinking=False, su plantilla de chat pide al modelo que coloque las respuestas finales dentro de etiquetas <answer>, y toda la evaluación de 25 benchmarks se ejecutó de esa manera. Si tu canalización espera una respuesta de una sola pasada, ZwZ2-27B está configurado para ti desde el primer momento. Si quieres que el modelo delibere a lo largo de una tarea de cincuenta pasos, Qwen3.8-27B tiene la maquinaria para ello y la ficha de ZwZ2-27B no declara ninguna.

Modalidad. Qwen3.8-27B está documentado para la comprensión de imágenes y vídeo, con el muestreo de vídeo controlado mediante la capa de servicio. La configuración de ZwZ2-27B incluye un video_token_id, pero su ficha y su evaluación se centran por completo en imágenes fijas y en la comparación de regiones. Considera que el vídeo no está demostrado en el lado de inclusionAI.

Lo que cada parte puede demostrar realmente

Ambos proveedores publicaron evaluaciones. No son comparables, y la razón no es el marketing — es que las dos suites miden cosas diferentes.

La afirmación de ZwZ2-27B se basa en 25 benchmarks en seis dominios perceptuales, puntuados por inclusionAI, y eleva su propia base de 55.52 a 60.51. Los números absolutos más altos están en percepción de grano fino (promedio de dominio de 67.57) y comprensión de contexto largo (68.77), y los más bajos son Chartography con 12.00 y AgentVista con 18.18.

La tabla publicada de Qwen3.8-27B es una suite de texto y agentes con una sección de visión, y Qwen la ejecutó contra su propio predecesor. Algunas de las brechas entre Qwen3.8-27B y Qwen3.6-27B son enormes:

• Programación agéntica en terminal — Terminal Bench 2.1 en 73,0, frente a 63,4 de Qwen3.6-27B.

• Ingeniería de software — QwenSWEBench en 79,0 frente a 49,3, y DeepSWE 1.1 en 42,2 frente a 13,3.

• Uso de computadora — OSWorld-Verified en 84,3 frente a 63,9; WebArena-Verified en 64,8 frente a 48,8.

• Uso móvil — AndroidWorld con 81,9 frente a 70,3.

• Ingeniería de software multimodal — SWE-MM con 38,6; RecreationBench con 47,1 frente a 29,8.

Razonamiento científico — GPQA Diamond en 89,2 frente a 87,8, y HLE en 30,8 frente a 24,0.

Esos son los propios números de Qwen con el propio harness de Qwen, y dicen algo simple: la generación 3.8 no es un pequeño avance respecto de la 3.6. En el trabajo de software agéntico, la mejora se mide en decenas de puntos, no en unidades.

¿Por qué +4.99 frente a 3.6 no es un número sobre 3.8?

Esta es la trampa de la comparación, y es fácil caer en ella. La ganancia principal de ZwZ2-27B es de +4,99 sobre Qwen3.6-27B. Qwen3.8-27B es un modelo mucho más potente que Qwen3.6-27B en la suite de Qwen. La inferencia tentadora —que las ganancias de ZwZ2 cierran la brecha— no se sigue, y hay una razón mecánica por la que no se puede comprobar.

No se puede restar entre ejecuciones. El 60.51 de ZwZ2-27B es un promedio de precisiones sobre 25 benchmarks de percepción elegidos por inclusionAI; las cifras de Qwen3.8-27B son puntuaciones sobre un conjunto diferente de benchmarks elegidos por Qwen. Que un modelo obtenga 60.51 en una suite y otro obtenga 84.3 en una tarea completamente distinta no dice nada sobre su orden relativo, y cualquier artículo que ponga esos números en una sola columna está inventando una clasificación que nadie midió.

Lo que se puede afirmar es más acotado y aun así útil. ZwZ2-27B es una intervención específica sobre un modelo que Qwen ya ha reemplazado, y el tamaño documentado de la intervención —cinco puntos en una media perceptual— es del mismo orden de magnitud que varias de las propias diferencias de 3,6 a 3,8 de Qwen en tareas de visión, y mucho menor que sus diferencias en tareas agénticas. Determinar si la especialización cierra la brecha generacional en la percepción a nivel de región es justamente lo que requeriría un arnés compartido. Nadie ha construido uno.

Las columnas de referencia de la tarjeta insinúan por qué podría existir una respuesta. ZwZ2-27B obtiene 60.51, mientras que inclusionAI midió GLM-5.3-Flash en 57.24 y DeepSeek-V4.1-Flash en 55.47 — modelos alojados a los que superó en una suite diseñada en torno a la comparación por regiones, y la tarjeta señala que la resolución de imagen de los modelos avanzados estaba limitada por sus plataformas de servicio. Eso es un resultado tanto sobre la suite como sobre los modelos. No es evidencia sobre Qwen3.8-27B, que nunca estuvo presente.

Para la mayoría de los equipos, la licencia lo decide antes que los benchmarks.

Qwen3.8-27B es Apache-2.0, declarado en el encabezado de la tarjeta del modelo, con un número de descargas que asciende a millones y un ecosistema de adaptadores, ajustes finos y cuantizaciones a su alrededor. ZwZ2-27B no declara ninguna licencia. Su tarjeta remite a «la licencia que acompaña a los pesos publicados y la licencia aplicable del modelo troncal», lo cual resulta circular cuando los pesos no incluyen ninguna.

Para un equipo de investigación, eso es una nota al pie. Para una empresa que pone un modelo detrás de un producto, es la línea que decide, y no por poco. Que el backbone sea Apache-2.0 no licencia automáticamente una obra derivada cuyos propios términos no se especifican —esa es una cuestión para asesoría legal—, y hasta que inclusionAI responda, la interpretación segura es que ZwZ2-27B no está autorizado para un despliegue comercial. La ausencia de un artículo lo agrava: la ficha todavía contiene el marcador de posición literal PAPER_URL, así que la descripción del método es un README y un esquema de conjunto de datos, nada más.

Lo que puedes llamar hoy

Qwen3.8-27B está disponible para enrutar en OrcaRouter ahora mismo, bajo una sola clave junto con el resto del catálogo y a precio de lista del proveedor sin margen — así que si Qwen cambia sus precios, el cambio está activo aquí el mismo día en lugar de después de un ciclo de reajuste de precios. Se ofrece a $0.33 por millón de tokens de entrada y $2.40 por millón de tokens de salida, con 262,144 tokens de contexto disponibles. Eso importa para una comparación como esta, en la que normalmente gana quien experimenta con la opción más barata: puedes evaluar Qwen3.8-27B frente a tu propia carga de trabajo esta tarde sin necesidad de descargarlo ni de una GPU.

ZwZ2-27B no está en nuestro catálogo, y sería deshonesto expresarlo con más suavidad. Es un artefacto autoalojado de 54 GB sin licencia y sin receta de servicio, y la única forma de evaluarlo es ejecutarlo. Si más adelante se gana un lugar en tu stack, la capa de enrutamiento es donde ambos se encontrarían: un endpoint, failover automático y una política que envíe el tráfico de comparación de regiones al modelo especializado y todo lo demás al generalista, en lugar de una reescritura.

¿Cuál, según la carga de trabajo?

Qwen3.8-27B es la opción predeterminada defendible para casi todo. Codificación agéntica, uso de herramientas de horizonte largo, control de computadora y navegador, razonamiento general, video: ahí es donde sus mejoras publicadas son mayores, y es el único de los dos que puedes distribuir legalmente y desplegar de forma práctica hoy.

ZwZ2-27B tiene un caso más acotado: ya ejecutas una canalización de la clase Qwen3.6-27B, tu cuello de botella es el detalle preciso en documentos, gráficos o capturas de pantalla de interfaces, y la idea de añadir llamadas a herramientas de zoom y recorte a tu bucle de inferencia resulta poco atractiva. Ese es precisamente el problema que inclusionAI afirma resolver: aprender la comparación entre regiones marcadas durante el entrenamiento para que la inferencia no necesite herramientas. Si el modelo base es la condición de control en tu propio arnés, una prueba local de ZwZ2-27B frente a él es un experimento barato y bien planteado.

Lo que no es defendible es tratar el 60.51 del proveedor como una puntuación de capacidad general, ni compararlo con cualquier cifra de Qwen3.8 como si ambos se situaran en una misma escala. No es así, y el modelo que lo resolvería —un arnés compartido, ejecutado por alguien sin intereses— no se ha anunciado más de lo que se anunció el propio ZwZ2-27B.

Tres preguntas que realmente plantea esta comparación

¿ZwZ2-27B es simplemente Qwen3.6-27B con entrenamiento adicional?Arquitectónicamente sí, hasta el esquema de capas y la torre de visión, con la cabeza de predicción multitoken eliminada. En comportamiento depende de una receta de postentrenamiento que inclusionAI ha descrito solo al nivel de un README: grupos de regiones de tres a siete, preguntas generadas a partir de recortes privilegiados, filtradas mediante acuerdo entre modelos y pruebas de eliminación de una región, y luego GRPO sobre unos 20.000 ejemplos sin etapa de ajuste fino supervisado. Eso es la descripción de un método, no una reproducción.

¿Sobrevivirían las ventajas de ZwZ2-27B al contacto con Qwen3.8-27B en tareas de percepción? Desconocido, e imposible de saber a partir del registro actual. La sección de visión de Qwen3.8-27B está ponderada hacia el uso de computadoras, el uso de navegadores y la ingeniería de software multimodal, no hacia la comparación a nivel de región, por lo que incluso la propia tabla de Qwen no responde a la pregunta que plantea la afirmación de ZwZ2.

¿Cambia la comparación el modo de pensamiento predeterminado? Sí, más de lo que sugiere la diferencia en el benchmark. ZwZ2-27B se evalúa y documenta como un modelo de paso único y sin modo de pensamiento; Qwen3.8-27B está concebido en torno a un esfuerzo de razonamiento ajustable. Para las llamadas de percepción sensibles a la latencia, eso favorece el diseño de ZwZ2-27B, y para cualquier tarea que requiera deliberación, favorece el de Qwen3.8-27B; pero ambos se midieron con ajustes de generación distintos, así que las cifras del benchmark también reflejan esa diferencia.