ZoomGain-9B vs Qwen 3.8 8B : il n’existe pas de Qwen3.8-8B, et c’est tout l’objet de l’article

Recherchez « Qwen 3.8 8B » et vous trouverez des pages de comparaison, des liens de téléchargement et une demi-douzaine d’articles qui le présentent comme un modèle commercialisé. Ce n’est pas le cas. La génération Qwen3.8 d’Alibaba contient quatre checkpoints ouverts — Qwen3.8-27B, sa version FP8, Qwen3.8-2.4T-A95B et Qwen3.8-Flash-Next — et aucun d’entre eux n’est un 8B. La place du 8B dans la gamme Qwen est occupée par Qwen3-8B, un modèle de la génération Qwen3 de 2025, qui repose sur une architecture différente, un tokeniseur différent et une époque différente. La version honnête de cette confrontation se joue donc entre ZoomGain-9B, le checkpoint vision-langage 9B publié par inclusionAI le 10 novembre 2026, et les deux modèles Qwen qui existent réellement à une taille comparable : Qwen3.8-27B, le plus petit membre dense de la génération 3.8 avec 27 milliards de paramètres, et Qwen3.5-9B, le tronc à partir duquel ZoomGain-9B a été post-entraîné.

Cette correction n’est pas un détail technique à écarter avant d’en venir à la partie intéressante. Elle change la réponse. Qwen3.5-9B est le modèle de base sur lequel ZoomGain a été entraîné, c’est donc l’équivalent le plus proche d’une expérience contrôlée dans toute cette publication : mêmes poids, même architecture, même tokenizer, 9 000 échantillons RL d’écart. Qwen3.8-27B est trois fois plus grand et plus récent de deux générations, et c’est le modèle que vous choisiriez réellement à la place de ZoomGain si vous vouliez un endpoint Qwen aujourd’hui. La comparaison avec les deux vous apprend quelque chose que le 8B fantôme n’aurait jamais pu.

Pourquoi l'entrée fantôme existe de toute façon

Le choix des noms n’est pas aléatoire. Q​wen a livré 27B et 2.4T-A95B les 5 et 8 août 2026, puis Flash-Next le 24 août. La génération précédente, Q​wen3.5, comptait un 9B et un 4B ; Q​wen3.6 comptait 27B et 35B-A3B. Chaque génération depuis Q​wen3 a inclus un petit modèle dense, et la génération 3.8 est la première à en omettre un. Quiconque établirait des correspondances avec les trois versions précédentes prédirait raisonnablement un Q​wen3.8-9B, et un Q​wen3.8-8B n’est qu’à un chiffre de cette prédiction.

Ce qui comble réellement le vide, c’est la distillation communautaire. Les checkpoints Qwen3.8-9B-Distill sont apparus sur le Hub, issus de laboratoires indépendants, dans la semaine suivant la sortie du 27B, et des dérivés de ces dérivés ont suivi. Ce sont de petits modèles entraînés sur les sorties de Qwen3.8, et non des modèles Qwen3.8. Si une page que vous avez trouvée décrit « Qwen 3.8 8B » avec des chiffres de benchmark, l’explication la plus probable est qu’elle décrit l’un de ces modèles, ou qu’elle ne décrit rien.

Conséquence pratique : si vous avez besoin d’un petit modèle de la famille Qwen, les options réellement disponibles aujourd’hui sont Qwen3.5-9B en 9B et Qwen3.5-4B en 4B, tous deux datant de février 2026, tous deux sous Apache 2.0, et tous deux encore parmi les modèles les plus téléchargés sur le Hub. ZoomGain-9B repose sur le premier d’entre eux.

L’expérience contrôlée que la version fournit accidentellement

La configuration de Qwen3.5-9B et celle de ZoomGain-9B ont la même forme : 32 couches, une taille cachée de 4 096, une taille intermédiaire de 12 288, 16 têtes de requête contre 4 têtes KV avec une dimension de tête de 256, 262 144 positions maximales, et le même schéma 3:1 entre DeltaNet linéaire et attention complète. La tour de vision est celle du modèle de base. Rien n’a changé dans l’architecture.

Ce qui a changé, c’est le post-entraînement. ZoomGain a appliqué GRPO à 9 000 questions générées en exploitant des détails recadrés, pendant une époque, avec huit rollouts par question. Voilà toute l’intervention, et son effet mesuré sur ZoomGainBench est de 32,13 à 55,48 — soit un bond de 23,35 points sur un benchmark construit à partir du même pipeline que les données d’entraînement, que l’article qualifie honnêtement de « Held-in ».

Le chiffre qui résiste à cette réserve est la moyenne sur treize benchmarks mis de côté, que l’entraînement n’a jamais vus : 59,75 pour Qwen3.5-9B, 66,10 pour ZoomGain-9B. Un gain de 6,35 points obtenu à partir de 9 000 échantillons, sur les mêmes poids. Dans la famille spécifique visée par cette version, les écarts sont plus grands : HR-Bench 4K de 82,13 à 90,25, V*Bench de 86,91 à 93,19, VisualProbe de 44,66 à 56,31.

• Le résultat négatif intéressant — MMStar passe de 71,73 à 73,87, et BabyVision de 15,98 à 17,53. La compétence multimodale générale ne bouge presque pas. L’entraînement a apporté le détail fin et pas grand-chose d’autre, ce qui est ce que devrait faire une exécution de RL ciblée sur 9 000 échantillons.

• La mise en garde honnête — tout ce qui précède est déclaré par les auteurs sur leur propre banc d’essai. Personne en dehors d’Ant Group ne l’a reproduit. L’évaluateur et le benchmark sont publics, donc c’est vérifiable, mais cela n’a pas été vérifié.

Qwen3.8-27B, et la ligne qui le place dans le même tableau

Ici, la comparaison devient concrète, car l’article ZoomGain a bien évalué Qwen3.8-27B sur son propre benchmark. Le 27B obtient 44,81 au total sur ZoomGainBench — derrière les 48,65 de Kimi-K3, derrière les 55,05 de Qwen3.8-Flash-Next, et derrière chaque modèle de pointe à code source fermé du tableau. Selon ce critère, il s’agit d’un percepteur de détails fins compétent mais peu remarquable.

Comparez cela aux 55,48 de ZoomGain-9B au même test, et l’arithmétique devient frappante : un modèle 9B qui obtient 10,7 points de plus qu’un modèle 27B de la même famille, sur un benchmark qu’aucun marketing d’éditeur ne choisirait. Mais c’est exactement la comparaison à laquelle il faut accoler l’étiquette « held-in », et l’article le fait. ZoomGainBench a été construit par le pipeline qui a construit les données d’entraînement de ZoomGain. Un modèle entraîné sur des questions issues de ce pipeline a vu la distribution ; un modèle évalué dessus ne l’a pas vue. L’écart de 10,7 points est une affirmation sur l’adéquation à la distribution, pas sur la capacité.

Là où les deux peuvent être comparés sans cette distorsion, la situation s'inverse. La fiche technique de Qwen3.8-27B indique elle-même Terminal Bench 2.1 à 73,0, SWE-bench Pro à 61,7, LiveCodeBench v6 à 90,3, GPQA Diamond à 89,2 et HLE à 30,8. ZoomGain-9B n'a été évalué sur aucun de ces benchmarks et on ne s'attendrait pas à ce qu'il y réussisse : son entraînement n'a jamais porté sur le code, les tâches en terminal ou les sciences de niveau master. Qwen3.8-27B traite également nativement les images et la vidéo, offre un contexte de 262 144 tokens extensible à un million et prend en charge le contrôle de la réflexion via `reasoning_effort` — une capacité que ZoomGain-9B ne possède pas du tout, puisque son évaluation s'exécute avec la réflexion désactivée.

• Taille et forme — Qwen3.8-27B est un modèle dense de 27 B avec 64 couches, une dimension cachée de 5 120, une dimension intermédiaire de 17 408 et une tête de prédiction multi-jetons à 1 couche. ZoomGain-9B compte environ 9,4 B de paramètres avec 32 couches et une dimension cachée de 4 096.

• Disponibilité — Qwen3.8-27B compte 7,4 millions de téléchargements, une licence Apache 2.0, des versions FP8 et GGUF, ainsi qu’un point de terminaison hébergé. ZoomGain-9B n’a pas de point de terminaison hébergé, un mappage de fournisseurs vide sur le Hub, une licence renvoyée vers une fiche dépourvue d’étiquette de licence, et des versions GGUF du 11 novembre comme seule distribution au-delà de BF16.

• Dates de sortie — Qwen3.8-27B : 5 août 2026, un lancement complet avec un article de blog et un rapport technique. ZoomGain-9B : 10 novembre 2026, un article et un dépôt, rien de plus. L’écart de trois mois compte moins que le fait que l’un des deux soit utilisé en production depuis août.

Le prix de chaque itinéraire, et celui que nous pouvons réellement vous vendre

Qwen3.8-27B figure au catalogue d'OrcaRouter à 0,33 $ par million de tokens d'entrée et 2,40 $ par million de tokens de sortie, avec un contexte de 262K, une entrée texte, image et vidéo, et 0 % de marge sur le prix catalogue du fournisseur — le chiffre affiché sur notre page modèle est celui facturé par Q​wen, transmis tel quel, si bien qu'un changement de tarif du fournisseur est répercuté ici le jour même plutôt qu'après un cycle de revalorisation. La même clé donne aussi accès à Qwen3.8-Flash et Qwen3.8-Max si le 27B s'avère être la mauvaise taille, et le basculement automatique fait qu'un point de terminaison bloqué est retenté auprès d'un fournisseur avant que la réponse ne commence plutôt qu'après l'expiration de votre requête.

ZoomGain-9B ne figure pas au catalogue et ne peut pas être invoqué via nous. Il représente 18,82 Go en BF16, ou 5,63 Go en Q4_K_M plus un projecteur mmproj de 0,52 Go, servi sous vLLM 0.19.1 avec transformers 5.7.0 ou sous une compilation de llama.cpp avec prise en charge multimodale de Qwen3.5. Qwen3.5-9B lui-même ne figure pas non plus au catalogue, ce qu'il vaut la peine de dire sans détour : la version hébergée à bas coût de cette comparaison n'existe pas non plus de notre côté.

Si votre véritable question est « dois-je exécuter ZoomGain-9B au lieu de payer pour un point de terminaison Qwen », la comparaison des coûts n’est proche dans aucune des deux directions et n’a pas besoin de l’être. Un modèle dense de 27B à 0,33 $ par million de jetons d’entrée revient moins cher que posséder un GPU pour presque tout volume que vous qualifieriez d’occasionnel. L’auto-hébergement d’un 9B n’est gagnant que lorsque le volume est élevé, que les données ne peuvent pas quitter votre réseau, ou que la tâche est cette chose étroite précise pour laquelle le 9B a été entraîné.

Quand le modèle fantôme aurait compté

Il y a un véritable manque dans la gamme Qwen, et il vaut la peine de le nommer, car cela explique pourquoi tant de personnes ont recherché cette confrontation. Un modèle dense 9B avec une fenêtre de 262K et un vocabulaire de génération Qwen3.8, vendu à un prix proche de celui du Qwen3.5-9B, serait le choix budgétaire évident pour les pipelines à forte composante d’images — moins cher que le 27B, plus capable que le 4B, et suffisamment petit pour être auto-hébergé sur une seule carte. Qwen n’en a pas commercialisé un, donc le créneau est actuellement occupé soit par l’ancien Qwen3.5-9B, soit par une distillation communautaire sans éditeur derrière elle.

ZoomGain-9B n'est pas non plus ce modèle-là, et la distinction compte. C'est un spécialiste de la perception, avec une question de licence de recherche et sans offre hébergée, et non un petit Q​wen à usage général. Si ce que vous attendiez de « Q​wen 3.8 8B » était un généraliste bon marché, ZoomGain-9B vous décevra sur tout, sauf sur les détails fins. Si ce que vous vouliez était un modèle capable de trouver le numéro de série sur une photographie 4K, c'est l'un des rares petits checkpoints conçus spécifiquement pour cela.

Dans le cas généraliste, les substituts réalistes sont la gamme hébergée Q​wen3.5 — 35B-A3B à 0,057 $ par million de tokens d’entrée, 27B à 0,086 $ — qui occupent le créneau budgétaire qu’aurait rempli le modèle 8B manquant, avec une empreinte plus large et un véritable point de terminaison. Pour le cas de la perception, nous ne pouvons proposer aucun substitut hébergé : Qwen3-VL-8B-Instruct, à 0,18 $ en entrée et 0,70 $ en sortie par million de tokens, accepte les images et peut servir de solution de remplacement pour vérifier si vos erreurs sont des erreurs de détail, mais il n’a pas été entraîné de la même manière que ZoomGain et ne l’égalera pas sur les recadrages.

Que faire de cela, concrètement ?

Si vous êtes venu ici pour un verdict ZoomGain-9B vs Qwen3.8-8B, le verdict est que l'adversaire n'existe pas et que toute page qui vous en a donné un a inventé la moitié de la comparaison. Les deux vraies questions sont plus ciblées et toutes deux ont une réponse aujourd'hui.

Première question : un fine-tune 9B de Qwen3.5-9B est-il meilleur que Qwen3.5-9B en perception fine ? D'après les chiffres des auteurs, oui, de 6,35 points sur des données tenues à l'écart et bien davantage sur les benchmarks ciblés par l'entraînement. C'est un résultat solide pour 9 000 échantillons et l'élément le plus intéressant de cette publication.

Deuxième question : ZoomGain-9B est-il meilleur que Qwen3.8-27B sur un point qui compte pour vous ? En capacité générale, non — le 27B est plus récent, plus grand, mieux documenté, sous licence, hébergé et évalué sur bien plus d’axes. Sur un benchmark construit à partir de la propre distribution d’entraînement de ZoomGain, il obtient 10,7 points de plus, ce qui vous dit que l’entraînement a fonctionné et ne vous dit rien sur le modèle à acheter.

La décision qui suit est sans glamour. Utilisez un modèle Q​wen hébergé pour le travail général, car il coûte 0,33 $ par million de jetons d’entrée et arrive en un seul appel API. Ne téléchargez ZoomGain-9B que si vous avez un travail précis nécessitant des détails fins, un GPU et un avocat qui a lu un fichier de licence que le fournisseur n’a pas publié.