ZwZ2-27B vs ZwZ2-9B: Qué se consigue realmente con el triple de parámetros

En exactamente un benchmark de la tabla de 25 pruebas de inclusionAI, gana el modelo más pequeño. Chartography —leer valores de gráficos— le da a ZwZ2-9B una puntuación de 13.00 y a ZwZ2-27B una puntuación de 12.00. Ambas son bajas. Ninguna es buena. Pero la dirección es la parte interesante, porque estos dos modelos son el mismo experimento en dos tamaños: una misma receta de entrenamiento, un mismo conjunto de datos, un mismo método del artículo, aplicado a un cuerpo Qwen3.5-9B y a un cuerpo Qwen3.6-27B respectivamente. Si la receta es idéntica y el modelo más grande vale tres veces los parámetros, la aritmética de dónde se manifiesta realmente ese tamaño es más sorprendente de lo que sugieren las puntuaciones generales principales.

También vale la pena decir desde el principio que ambos modelos llegaron de la misma manera discreta. El repositorio de ZwZ2-9B se creó a las 03:42 UTC del 16 de octubre de 2026; el de ZwZ2-27B, a las 05:42 de esa misma mañana. Ambos alojaron pesos sin documentación durante diez días, y ambos recibieron tarjetas de modelo con tablas completas de benchmarks el 26 de octubre. Ninguno declara una licencia. Ninguno tiene un artículo publicado; las tarjetas todavía contienen el marcador de posición PAPER_URL.

Una receta, dos cuerpos

El método de entrenamiento no solo es similar entre ambos, sino que es el mismo método aplicado a dos arquitecturas base, lo que hace que su comparación sea inusualmente limpia. EvidenceConnect agrupa entre tres y siete regiones relacionadas de imágenes SA-1B, genera preguntas usando recortes con zoom privilegiados, filtra esas preguntas mediante la concordancia entre modelos y una prueba de dejar fuera una región, convierte las que superan el filtro en tareas de cuatro opciones y entrena con GRPO —sin etapa de ajuste fino supervisado. Ambos modelos usan aproximadamente 20.000 ejemplos de entrenamiento.

Los cuerpos difieren de la manera habitual:

• Escala — 9B parámetros en 32 capas con un tamaño oculto de 4.096, frente a 27B en 64 capas con un tamaño oculto de 5.120.

• Atención — 16 cabezas de consulta y 4 cabezas KV con dimensión 256 para el 9B, frente a 24 cabezas de consulta y 4 cabezas KV con la misma dimensión para el 27B.

• Feed-forward — tamaño intermedio de 12,288 frente a 17,408.

• Visión — la misma torre en ambos: 27 capas con un tamaño oculto de 1,152, proyectando a 4,096 y 5,120 respectivamente.

• Contexto y vocabulario: idénticos en 262.144 posiciones y 248.320 tokens.

• Predicción multitoken — eliminada de ambos, con mtp_num_hidden_layers en 0.

• Modelos base — Qwen3.5-9B para el pequeño, Qwen3.6-27B para el grande. Ese es el detalle que complica la comparación, y la siguiente sección trata sobre por qué.

De dónde viene realmente la brecha general de 3,92 puntos

Este es el hallazgo que no esperaba antes de hacer la resta. Las medias generales son 60,51 para ZwZ2-27B y 56,59 para ZwZ2-9B — una diferencia de 3,92 puntos. Ahora fíjate en lo que cada receta aportó a su propia base, que se publica en las mismas tablas, por el mismo laboratorio, en el mismo arnés de evaluación:

• ZwZ2-27B — Qwen3.6-27B base en 55.52, ajustado en 60.51. Ganancia de 4.99.

• ZwZ2-9B — Qwen3.5-9B base en 51,63, ajustado en 56,59. Ganancia de 4,96.

La receta produce casi exactamente la misma mejora en ambas escalas. Triplicar los parámetros aportó 0,03 puntos de beneficio adicional de entrenamiento. Y los modelos base ya estaban separados por 3,89 puntos antes de tocar cualquiera de los dos.

Así que, de la diferencia de 3,92 puntos entre los modelos terminados, 3,89 puntos se heredaron de los checkpoints desde los que partieron. La especialización no creó la diferencia. La preservó casi a la perfección.

Esta es una comparación de un solo laboratorio y un solo arnés, así que la resta es legítima de una manera en que las comparaciones entre proveedores nunca lo son: cada uno de esos cuatro números proviene de la misma tabla, producida por el mismo código de evaluación, sobre el mismo conjunto de referencia. El redondeo es lo bastante grueso como para que 0,03 no deba interpretarse como precisión; la lectura honesta es «indistinguible».

Lo que significa en la práctica es que elegir entre estos dos modelos es casi lo mismo que elegir entre Qwen3.5-9B y Qwen3.6-27B, más un ajuste perceptivo fijo. Si no hubieras elegido el modelo base más grande para tu carga de trabajo, el entrenamiento de ZwZ2 no va a cambiar esa decisión.

Dominio por dominio: el tamaño aparece en un solo lugar.

Los promedios ocultan la estructura, y aquí la estructura está desequilibrada. Comparando los dos modelos ajustados en los seis dominios:

• Percepción detallada — 67,57 para el 27B frente a 66,02 para el 9B. Una diferencia de 1,55, la más pequeña de las seis.

• Percepción espacial — 55,98 frente a 52,33. Una diferencia de 3,65.

• Razonamiento visual general — 53,71 frente a 49,83. Una diferencia de 3,88.

• Razonamiento espacial corporizado — 55,71 frente a 51,11. Una diferencia de 4,60.

• Comprensión de contexto largo — 68.77 frente a 64.08. Una diferencia de 4.69.

• Agentes multimodales — 51.81 frente a 42.43. Una diferencia de 9.38.

El patrón es consistente: la ventaja del modelo más grande aproximadamente se duplica cuando la tarea pasa de mirar una imagen a actuar sobre una. En los ocho benchmarks de percepción de grano fino —aquellos para los que el método se diseñó explícitamente—, los dos modelos están a menos de un punto y medio de diferencia entre sí, con Chartography yendo en sentido contrario.

El dominio agéntico es donde el 27B justifica su huella de memoria, y la mayor parte de esa diferencia proviene de una sola prueba. UI-Vision obtiene 66,66 para ZwZ2-27B y 45,48 para ZwZ2-9B: una separación de 21,18 puntos, mayor que cualquier otra de la tabla. ScreenSpot-Pro y AgentVista aportan contribuciones menores, con 70,59 frente a 66,98 y 18,18 frente a 14,83.

UI-Vision es un benchmark de anclaje de interfaces, y el resultado dice algo específico en lugar de general: si tu carga de trabajo consiste en leer y operar una interfaz de software, el 27B está haciendo algo que el 9B en gran medida no puede. Si tu carga de trabajo consiste en comparar regiones marcadas en una fotografía o en la página de un documento, el 9B está haciendo casi lo mismo con un tercio de los pesos.

La única prueba que gana el modelo pequeño, y cuánto debería contar

Merece la pena detenerse en Chartography precisamente porque es la excepción que demuestra lo estrecha que es la especialización. Ambas puntuaciones son terribles —13,00 y 12,00 sobre 100, frente a los 8,00 del modelo base Qwen3.6-27B y los 7,00 del modelo base Qwen3.5-9B—. El entrenamiento elevó ambos modelos alrededor de cinco o seis puntos en una tarea que todavía no pueden realizar de forma fiable, y la mejora del 9B resultó quedar un punto por encima.

La conclusión correcta no es que el 9B sea mejor con los gráficos. Es que, en una tarea tan alejada de la distribución de entrenamiento, la diferencia entre los dos modelos es ruido, y el comportamiento razonable es enviar la lectura de gráficos a otro lugar por completo. Un modelo que obtiene 12 o 13 en un benchmark de gráficos no tiene una capacidad de gráficos entre la que elegir.

La misma precaución se aplica a las demás puntuaciones absolutas bajas. ZwZ2-9B promedia 42,43 en agentes multimodales y 18,18 en AgentVista; ZwZ2-27B promedia 51,81 y 18,18. Ambos son débiles en el trabajo agéntico en términos absolutos, y el hecho de que el más grande sea mucho menos débil no lo hace fuerte.

Cómo se ve realmente la huella de memoria

La diferencia de parámetros es la parte que pagas todos los días. ZwZ2-9B es un único archivo safetensors de 9,41 mil millones de parámetros, aproximadamente 19 GB en bf16. ZwZ2-27B está dividido en dos fragmentos de unos 54 GB. Si añades las activaciones de la torre de visión y un presupuesto de KV de 262.144 posiciones, la división práctica es:

• ZwZ2-9B — un ajuste cómodo en un solo acelerador de consumo de 24 GB en bf16, justo pero viable; no existe ninguna versión cuantizada, así que estás cargando con precisión completa a menos que la cuantices tú mismo.

• ZwZ2-27B — una tarjeta de 80 GB con holgura, o dos tarjetas de 40 GB repartidas en una ajustada división tensor-paralela. Nada por debajo de eso lo ejecuta en bf16.

• Compatibilidad de servicio — ninguno de los repositorios incluye una receta de vLLM o SGLang. Ambos fijan transformers==5.13.1 en la guía de inicio rápido, y ambos están documentados solo en modo sin razonamiento, con las respuestas envueltas en etiquetas <answer>. Ninguno declara una licencia, lo que para un despliegue en producción es un obstáculo mayor que cualquiera de las dos cifras de memoria.

Ese último punto merece su propia frase, porque es igual en ambos lados: no hay ninguna licencia que leer. Las tarjetas remiten a «la licencia que acompaña a los pesos publicados», y los pesos no incluyen ninguna. Sea cual sea el tamaño que elijas, la cuestión comercial queda sin respuesta.

Usar ambos, en lugar de elegir

La tabla por dominio sugiere un patrón de dos niveles con más fuerza de la que sugiere un ganador. La percepción de grano fino apenas varía entre los tamaños, así que el 9B es una primera pasada razonable ahí; el trabajo de interfaces agénticas varía en más de nueve puntos en el promedio del dominio y veintiuno en UI-Vision, así que ese tráfico corresponde al 27B. Un enrutador que dirija según el tipo de tarea gastaría la mayor parte de sus tokens en el modelo barato y reservaría el caro para las pantallas.

Ninguno de los dos tamaños de ZwZ2 está en nuestro catálogo, así que ese patrón hoy implica ejecutar dos checkpoints en tu propio hardware y escribir el despacho tú mismo. Donde encaja OrcaRouter es en el lado generalista del mismo stack: Qwen3.8-27B y Qwen3.5-27B son ambos enrutables aquí con una sola clave al precio de lista del proveedor sin recargo, así que la carga de trabajo que no necesita comparación de regiones puede ir a un modelo alojado con conmutación por error automática, mientras que el tráfico especializado permanece local. Es una afirmación más modesta que “enrutar ZwZ2 a través de nosotros”, que no podemos ofrecer — pero es la parte de la arquitectura que realmente está disponible ahora.

El resumen honesto es poco glamoroso. Dos checkpoints, la misma receta, el mismo silencio, la misma licencia ausente y una brecha de rendimiento que es casi por completo la brecha preexistente de los modelos base más una especialización real en el extremo superior para el trabajo de interfaz. Si necesitas las cifras de UI del 27B, necesitas el 27B y la tarjeta de 80 GB. Si no, el 9B te deja a un punto y medio como máximo en la tarea que todo el proyecto fue creado para mejorar, y cabe en hardware que probablemente ya tengas.