ZwZ2-9B vs Qwen3.8-27B: El pequeño espacio que la nueva generación de Qwen dejó abierto

La generación Qwen3.8 llegó con un modelo denso de 27B el 5 de agosto de 2026, un mixture-of-experts de 2,4 billones de parámetros el 8 de agosto y una variante Flash-Next el 24 de agosto. No incluía un 9B. Eso significa que el extremo pequeño de la gama actual sigue estando ocupado por Qwen3.5-9B, un checkpoint del 27 de febrero de 2026 — y significa que ZwZ2-9B, publicado por inclusionAI el 16 de octubre de 2026, se asienta sobre el stack más reciente de Qwen3.5 disponible en ese tamaño. Compáralo con Qwen3.8-27B y no estarás comparando dos modelos de una misma familia. Estarás comparando una brecha de unos dieciocho mil millones de parámetros dentro de una misma arquitectura, porque la generación 3.8 nunca lo renombró.

Lo primero que hay que entender es que esto no es una rivalidad en ningún sentido ordinario. Qwen3.8-27B es un producto terminado con licencia, una API alojada, evaluaciones publicadas y siete millones de descargas en el último mes. ZwZ2-9B es un conjunto de checkpoints derivados indocumentados en un repositorio sin README. La pregunta útil es más acotada y más práctica: si un modelo de 27B es el que Qwen quiere que ejecutes, ¿qué compras exactamente al quedarte en 9B, y qué hereda el checkpoint más barato de la generación superior?

La arquitectura nunca cambió — solo lo hizo la escala

Este es el hallazgo que hace que merezca la pena escribir la comparación, y es visible en dos archivos de configuración. Qwen3.8-27B declara su identificador de arquitectura como qwen3_5. Lo mismo hace ZwZ2-9B. Mismo tipo de modelo, mismo nombre de clase, mismo diseño de atención, mismo linaje de tokenizador — una generación de diferencia, y la etiqueta nunca se movió.

Si se mira más allá del identificador, el parecido familiar es completo. Ambos usan el mismo patrón de tres a uno entre capas de atención lineal y capas de atención completa. Ambos reservan un vocabulario de 248.320 tokens y declaran un límite superior de contexto de 262.144 posiciones. Ambos usan M-RoPE entrelazado con la misma división de secciones y la misma base rotatoria de 10.000.000. Ambos incorporan una torre de visión de exactamente 27 capas con un tamaño oculto de 1.152 y 2.304 embeddings de posición. Qwen3.8 no es un diseño nuevo que haya reemplazado a Qwen3.5. Es el mismo diseño con dimensiones mayores, y Qwen3.8-27B lo dice en su propia configuración.

• Parámetros — ZwZ2-9B: 9.409.813.744. Qwen3.8-27B: 28 mil millones según su ficha, cuya configuración especifica 64 capas con un tamaño oculto de 5.120 frente a 32 capas con 4.096.

• Identificador de arquitectura — qwen3_5 en ambos. Misma clase, mismo esquema de atención.

• Vocabulario — 248,320 en ambos, incluidos los ids de tokens de imagen y video.

• Límite de contexto — 262.144 posiciones declaradas en ambos, y la versión alojada de Qwen se extiende hasta 1M.

• Torre de visión — 27 capas con un tamaño oculto de 1.152 en ambos casos; la proyección se amplía de 4.096 a 5.120 para coincidir con la pila de lenguaje.

• Razonamiento predeterminado — ZwZ2-9B responde sin pensar a menos que se le pida. Qwen3.8-27B piensa de forma predeterminada, con un esfuerzo de razonamiento ajustable.

• Licencia — ninguna declarada frente a Apache-2.0.

• Evidencia — un archivo de configuración frente a una ficha de modelo, resultados de evaluación, una API alojada y 198 adaptadores publicados.

Lo que te aporta el 27B que no te aporta el derivado de 9B.

Lo primero es el permiso. Qwen3.8-27B es Apache-2.0 con una concesión explícita, desplegable en Azure y SageMaker según sus propias etiquetas, y se sirve a través de la API alojada oficial de Qwen con un contexto de 1M tokens en la versión gestionada. ZwZ2-9B no declara ninguna licencia en absoluto, lo cual es un problema distinto del de una licencia restrictiva: es la ausencia de una concesión, y no una concesión limitada, y constituye el mayor riesgo individual a la hora de adoptarlo.

The second is reasoning control. Qwen3.8-27B's chat template exposes three reasoning-effort levels with a default of the highest, instructs the model accordingly, and supports preserving reasoning context across turns. It also keeps the Qwen convention of thinking by default. ZwZ2-9B has none of this machinery, and its template inverts the default — it emits an empty <think></think> block unless you explicitly pass a flag, which means the model answers directly and cheaply, and gives you no dial to turn when a question deserves more thought.

El tercero es el ecosistema, que es el menos discutido y el que más peso soporta. El Hub enumera 198 adaptadores, 553 ajustes finos, 24 fusiones y 1.472 cuantizaciones construidas sobre Qwen3.8-27B, además de cien Spaces. Eso constituye un corpus de trabajo de personas que no son Qwen, que describe cómo se comporta el modelo en problemas reales. ZwZ2-9B no tiene nada de eso, y todavía no puede tenerlo —tiene apenas horas de vida.

Lo que aún obtienes al alojarte en 9B

Hay una razón por la que el segmento pequeño no ha quedado en silencio. Qwen3.5-9B, el checkpoint sobre el que se construye ZwZ2-9B, registró 8,591,266 descargas en el último mes — más que los 7,363,968 del modelo insignia de 27B durante el mismo período. El tamaño 9B es donde ocurre una gran cantidad de trabajo real: es el modelo más grande que cabe cómodamente en un único acelerador de consumo, es el tamaño que los equipos afinan cuando quieren sus propios pesos en lugar de una API, y es donde un derivado no documentado como ZwZ2-9B puede ser plausiblemente interesante, porque lo que hereda ha sido leído por millones de personas.

Eliminar la cabeza de predicción multitoken tampoco es obviamente una pérdida. La configuración de ZwZ2-9B establece mtp_num_hidden_layers en 0 mientras que Qwen3.5-9B tiene 1, lo que elimina una cabeza de decodificación especulativa y, junto con ella, aproximadamente un cuarto de mil millones de parámetros. Sea lo que sea que pretendiera la ejecución de entrenamiento, el artefacto que descargas es un modelo más simple que su modelo padre, y lo simple es más fácil de razonar cuando no puedes leer una tarjeta.

Y la ruta de visión es la misma en ambas direcciones: 27 capas con un tamaño oculto de 1.152, una tabla de embeddings de 2.304 posiciones, un procesador de vídeo que acepta hasta 768 fotogramas a 2 fotogramas por segundo. Si necesitas imágenes de entrada, el 9B no le cede eso al 27B.

Cómo se ve esto si eliges un endpoint en lugar de un checkpoint

La respuesta práctica para la mayoría de los equipos no es una cosa ni la otra, y el lado alojado está resuelto de una manera en que el lado de pesos abiertos no lo está. Qwen3.8-27B es enrutable en OrcaRouter como qwen/qwen3.8-27b — un contexto de 262K tokens, entrada de texto, imagen y video, salida de texto, a $0.33 por millón de tokens de entrada y $2.40 por millón de salida. Ese es el precio de lista del proveedor trasladado con 0% de recargo, así que cuando Qwen cambia un precio, el número aquí cambia el mismo día en lugar de en la siguiente actualización del catálogo, y se encuentra junto a qwen/qwen3.8-flash y qwen/qwen3.8-max con la misma clave si quieres comparar niveles con tu propio tráfico en lugar de con la tabla de referencia de otra persona.

ZwZ2-9B no está en ese catálogo y no vamos a insinuar lo contrario — es una descarga de Hugging Face sin un endpoint de servicio publicado por su proveedor, e inclusionAI distribuye a través de los canales propios del proveedor. Si quieres un sustituto alojado para el hueco multimodal pequeño mientras evalúas el checkpoint, qwen/qwen3-vl-8b-instruct es un modelo de visión-lenguaje de 8B con un contexto de 131K tokens a $0.18 y $0.70 por millón de tokens, documentado y con licencia. Poner un candidato detrás de la misma interfaz que el modelo actual y comparar los dos cuesta una cadena de modelo; ese es todo el argumento para enrutar un modelo del que no estás seguro en lugar de integrarlo.

La pregunta generacional, respondida con honestidad

No existe ningún benchmark en el que ZwZ2-9B supere a Qwen3.8-27B, porque no existe ningún benchmark en el que ZwZ2-9B se haya medido siquiera. Un modelo de 28B con una ficha técnica y un checkpoint de 9,4B con un archivo de configuración no compiten; uno de ellos ha sido evaluado y el otro ha sido descrito. Cualquiera que produzca un resultado cara a cara esta semana está describiendo su propia impresión de un modelo que se descargó esta mañana.

Lo que es genuinamente nuevo aquí es el linaje, y vale la pena decirlo sin rodeos porque es fácil pasarlo por alto. La generación Qwen3.8 no reemplazó su arquitectura; la escaló. Qwen3.8-27B y ZwZ2-9B responden al mismo identificador de arquitectura, comparten un vocabulario, comparten un techo de contexto, comparten una programación de atención y comparten una torre de visión hasta el número de capas y el ancho oculto. Eso es conocimiento útil en ambas direcciones: te dice cómo es probable que se sienta un checkpoint de 9B sobre este stack, y te dice que la brecha entre el extremo pequeño y el grande de la familia Qwen es una cuestión de grado y no un cambio de especie.

Así que el veredicto honesto sobre ZwZ2-9B frente a Qwen3.8-27B es que el 27B es el que puedes tener en cuenta para planificar, y el derivado de 9B es el que vale la pena seguir. Lee la configuración, ejecuta tu propia tarea contra él y espera una licencia antes de que toque algo que importe.

Nada de eso es hipotético: los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.