ZwZ2-4B vs Qwen3.8-27B: un especialista de 4,5B se enfrenta al buque insignia de 28B de Qwen

Supongamos que su canalización de imágenes ejecuta 200.000 consultas al día y usted tiene una sola tarjeta de 16 GB. Esa única restricción descarta Qwen3.8-27B antes de que se discuta cualquier benchmark: con 28 mil millones de parámetros, solo los pesos en BF16 ocupan aproximadamente 56 GB, y ninguna cantidad de servicio ingenioso logra meterlos en 16 GB sin una cuantización para la que no ha presupuestado. ZwZ2-4B, con 4,54 mil millones de parámetros y un archivo de pesos de 9,08 GB, sí cabe. Así que la pregunta honesta no es qué modelo es mejor. Es si la capacidad más limitada del checkpoint pequeño es una restricción real para su carga de trabajo, o si estaba a punto de pagar por un modelo insignia para responder preguntas sobre recortes de fotos de productos.

Hay un detalle que hace que este enfrentamiento sea más extraño de lo que sugiere el titular. La generación 3.8 de Qwen nunca lanzó un modelo en esta clase de tamaño. Sus integrantes son el modelo denso de 27B del 5 de agosto de 2026, una mezcla de expertos de 2,4 billones de parámetros del 8 de agosto, y Flash-Next el 24 de agosto, que, a pesar del nombre, es un modelo de 180 mil millones de parámetros de una familia de arquitecturas distinta. Nada denso por debajo de 27B. Por lo tanto, ZwZ2-4B tiene como verdadero oponente de igual tamaño a Qwen3.5-4B, el checkpoint de febrero del que fue ajustado. Qwen3.8-27B entra en esta comparación como el techo, no como el par.

No hay ningún punto de referencia en el que estos dos puedan coincidir.

Empieza por lo que hace que la mayoría de las páginas de comparación sean deshonestas. Qwen3.8-27B tiene evaluaciones publicadas y un ecosistema; ZwZ2-4B tiene 25 resultados de benchmark que solo existen dentro de su propia model card, producidos por el laboratorio que lo entrenó, sin ninguna replicación independiente en ningún sitio. No puedes poner un 54.79 reportado por el proveedor junto a un conjunto de benchmarks de otro laboratorio y restarlos. Esas dos cifras no se produjeron con las mismas tareas, a la misma resolución ni con el mismo arnés.

Así que este artículo no los puntúa uno contra otro. Compara para qué está diseñado cada uno, cuánto cuesta ejecutar cada uno y qué es lo que el más pequeño deja de lado. Cuando aparece una cifra, se indica quién la produjo.

La brecha, dimensión por dimensión

• Parámetros — ZwZ2-4B 4,539,265,536 frente a Qwen3.8-27B 28B en su ficha

• Pesos en disco: aproximadamente 9,08 GB BF16 frente a unos 56 GB BF16

• Profundidad — 32 capas frente a 64

• Ancho — tamaño oculto 2,560 vs 5,120

• Forma de atención — 16 cabezas de consulta frente a 4 cabezas KV con dimensión de cabeza 256, en ambos

• Calendario de atención — una proporción de 3:1 de lineal a completo en ambos

• Ventana de contexto — 262.144 posiciones en ambos

• Vocabulario — 248.320 tokens en ambos

• Torre de visión — 24 capas con dimensión oculta de 1.024 frente a 27 capas con dimensión oculta de 1.152

• Licencia — ninguna declarada para ZwZ2-4B frente a Apache-2.0 para Qwen3.8-27B

Las cuatro filas coincidentes son las interesantes. Ambos modelos heredan el mismo identificador de arquitectura, qwen3_5, con la misma geometría de atención y el mismo límite de contexto. La generación 3.8 no rediseñó la pila; la escaló. Por eso la configuración del 4B parece una miniatura de la del 27B en lugar de un objeto extraño, y también por eso el 4B hereda las características de servicio del 27B: las capas de atención lineal son las que hacen asequible un contexto de 262K a este tamaño.

El único dato comparable de todo el enfrentamiento

La ficha de ZwZ2-4B reporta su modelo base en 49,41 y a sí misma en 54,79 en 25 benchmarks, una ganancia de 5,38 puntos. Es una comparación entre dos checkpoints entrenados y medidos con el mismo procedimiento, en las mismas tareas, por el mismo laboratorio. Sigue siendo reportado por el proveedor, y la selección de benchmarks es del laboratorio, pero al menos los dos lados de la resta son comparables.

Se desprenden dos cosas. Primero, la mejora solo es real en el sentido de que el laboratorio la midió; nadie ha reproducido el 54,79. Segundo, y más útil, el modelo de referencia es sólido. Qwen3.5-4B acumula 7,4 millones de descargas al mes y tiene 1.145 me gusta: es un checkpoint ampliamente desplegado con un ecosistema real. Si ZwZ2-4B es 5,38 puntos mejor en tareas centradas en la percepción, se trata de una diferencia significativa respecto a un modelo que la gente realmente ejecuta. Si es 5,38 puntos mejor en benchmarks elegidos para recompensar exactamente aquello para lo que fue entrenado, la diferencia en producción será menor.

El método explica qué interpretación es más probable. ZwZ2 se entrenó con GRPO en preguntas de opción múltiple con cuatro opciones, construidas a partir de recortes de regiones de SA-1B —aproximadamente 20.000 de ellos—, sin una etapa de ajuste fino supervisado. Toda señal de entrenamiento que el modelo llegó a ver fue una elección entre cuatro opciones sobre si una región contiene la evidencia que una pregunta necesita. Una carga de trabajo de esa forma es donde debería mantenerse el 5.38. La descripción abierta no tiene esa forma.

Lo que aporta un buque insignia de 28B que uno de 4,5B no puede

Qwen3.8-27B es un modelo general de visión-lenguaje: imágenes, vídeo, control flexible del pensamiento, licencia Apache-2.0 y suficiente margen de parámetros como para haber absorbido una amplia dieta de preentrenamiento en lugar de un único currículo sintético estrecho y de alta calidad. Su número de descargas —7,5 millones el mes pasado, con 18.500 me gusta— es la señal del ecosistema que importa cuando eliges una base en lugar de un especialista. Existen adaptadores, cuantizaciones, ajustes finos y herramientas para él, y no existen para un checkpoint con cero descargas.

La amplitud se hace evidente en los modos de fallo. La ficha de ZwZ2-4B enumera alucinaciones, texto mal leído, errores de conteo y errores espaciales, y señala que los resultados dependen de la resolución de la imagen, la longitud del contexto y el formato del prompt. Un generalista de 28B tiene, en principio, las mismas clases de fallo, pero con más capacidad para retener detalles a lo largo de un contexto más largo y sin el requisito de que la tarea se parezca a una elección entre cuatro opciones.

Para la extracción de documentos, el razonamiento de varias páginas, el vídeo o cualquier caso en el que la respuesta sea un párrafo en lugar de una región, el 27B es el instrumento más adecuado, y la diferencia de tamaño no es el factor decisivo: el objetivo de entrenamiento sí lo es.

La aritmética de los costos, con precios reales

Aquí la comparación deja de ser abstracta. En OrcaRouter, qwen/qwen3.8-27b se ofrece a $0.33 por millón de tokens de entrada y $2.40 por millón de salida, con un contexto de 262K. Tomemos una consulta de imagen representativa de 1,500 tokens de entrada y 300 tokens de salida. Mil de esas cuestan aproximadamente $1.22 en el 27B. El más ligero qwen/qwen3.8-flash, a $0.15 y $0.47, queda cerca de $0.37 para las mismas mil. Un modelo de visión 8B alojado se sitúa entre ellos.

ZwZ2-4B no tiene precio por token porque no tiene endpoint alojado: la página de Hugging Face indica que ningún proveedor lo sirve. Su coste es lo que te cueste tu hora de GPU dividido por el rendimiento, y es la única opción de esta comparativa que funciona en una sola tarjeta de 16 GB. Ese es todo el argumento económico a favor del modelo más pequeño, y es un argumento sólido si ya estás pagando el hardware.

Un punto estructural sobre el enrutamiento, ya que afecta la forma en que lo pruebas. OrcaRouter traslada los precios de lista de los proveedores con un margen del 0%, de modo que cuando Qwen cambia el precio de un modelo Qwen alojado, el número que aparece arriba cambia ese mismo día en lugar de en la siguiente renovación de contrato. Hacer una comparación de costos entre un checkpoint autoalojado y un modelo alojado solo es honesta si el lado alojado refleja el precio de lista de hoy, y esa es la propiedad que se describe aquí, no un descuento.

Dónde el modelo pequeño gana incluso frente a un modelo insignia

Tres casos, y son más limitados de lo que suele dar a entender el marketing de los modelos pequeños.

Lo primero es el control del despliegue. Un archivo BF16 de 9,08 GB se puede fijar, versionar y enviar a un dispositivo perimetral. Un archivo de 56 GB no, y una API alojada no te da ni los pesos ni una garantía de versión. Si la restricción de tu producto es «el modelo viaja con el dispositivo», el 27B no es candidato a ningún precio.

El segundo es la previsibilidad de costos en volumen. La inferencia autoalojada tiene una curva de costos plana y no hay medición por token. Con 200.000 consultas de imágenes al día, $1,22 por cada mil son aproximadamente $244 al día —unos $7.300 al mes— en el modelo 27B a precio de lista. Que el autoalojamiento supere esa cifra depende por completo de la utilización, y una sola tarjeta infrautilizada a menudo no basta.

El tercero es la especialización en tareas. Si tu carga de trabajo es genuinamente «¿cuál de estas cuatro regiones contiene la evidencia?», ZwZ2-4B se entrenó precisamente con esa forma, con un paso de filtrado diseñado para eliminar las preguntas que pueden responderse sin la región. Un modelo generalista dedica su capacidad a todo lo demás. Este es el caso en el que un checkpoint de 4,5B puede superar a uno de 28B, y es el único caso en el que la afirmación de 5,38 puntos del proveedor significaría lo que un lector espera que signifique.

Cómo decidir, en el orden en que la decisión ocurre realmente

• Si los pesos deben residir en hardware que usted controle y el hardware es pequeño — elija ZwZ2-4B, acepte la ambigüedad de la licencia y asigne presupuesto para su propia evaluación.

• Si la tarea es de opción múltiple anclada en regiones o de recuperación de evidencia visual — prueba ZwZ2-4B frente a Qwen3.5-4B con tus propios datos antes de mirar el 5.38 de la ficha. Ese delta, reproducido, es el único número que importa.

• Si necesitas vídeo, documentos extensos, descripciones abiertas o una licencia que tu equipo legal esté dispuesto a firmar, elige Qwen3.8-27B y deja de leer.

• Si no tienes hardware ni ganas de encargarte del servicio, opta por la ruta alojada de Qwen, porque la alternativa es un proyecto de operaciones, no una elección de modelo.

La parte incómoda de este enfrentamiento es que la comparación interesante no es la que aparece en el título. ZwZ2-4B frente a Qwen3.8-27B es una decisión sobre la clase de despliegue disfrazada de comparación de modelos. El verdadero cara a cara —misma base, mismo tamaño, mismo coste de servicio, una diferencia medida de 5,38 puntos— es ZwZ2-4B contra Qwen3.5-4B, y ese es el experimento que merece la pena ejecutar con tus propias imágenes antes de que cualquiera de estas cifras cambie tu arquitectura.