ZwZ2-27B vs Qwen3.8-27B : même squelette, deux paris très différents

Ce qui est étrange avec ZwZ2-27B par rapport à Qwen3.8-27B, c'est que les deux modèles sont la même machine. Ouvrez les deux fichiers de configuration et les chiffres s'alignent ligne pour ligne : 64 couches, une taille cachée de 5 120, 24 têtes de requête contre 4 têtes KV de dimension 256, une largeur feed-forward de 17 408, un vocabulaire de 248 320 tokens, 262 144 positions et une tour de vision de 27 couches d'une taille cachée de 1 152. Ils déclarent même la même classe d'architecture. Ce qui les sépare n'est ni la largeur ni la profondeur. C'est ce que chaque labo a fait à ce corps ensuite — et, jusqu'à présent, personne ne les a confrontés pour savoir quel choix l'a emporté.

Cette absence est la première chose à dire clairement. L’évaluation publiée par inclusionAI pour ZwZ2-27B le compare avec GPT-5.6-Luna, GLM-5.3-Flash et DeepSeek-V4.1-Flash. Elle n’inclut pas Qwen3.8-27B, ni aucun modèle Qwen plus récent que celui à partir duquel ZwZ2 a été construit. De son côté, Qwen n’a jamais mentionné ZwZ2. Chaque chiffre ci-dessous provient d’un laboratoire qui se mesure lui-même, ou de Qwen qui se mesure lui-même, et aucun tiers n’a placé les deux dans un même cadre d’évaluation.

Même squelette, ligne par ligne

Il vaut la peine d’être précis sur leur proximité, car le cadrage habituel « 27B contre 27B » le sous-estime. Ce ne sont pas deux modèles qui se trouvent par hasard à une échelle similaire ; ce sont deux cycles de post-entraînement sur une architecture interchangeable.

• Paramètres — 27B pour les deux, dense, pas de routage mixture-of-experts dans l’une ou l’autre configuration.

• Profondeur et largeur — 64 couches, taille cachée de 5 120, taille intermédiaire de 17 408, identiques dans les deux fichiers.

• Attention — 24 têtes de requête, 4 têtes KV, dimension de tête 256, facteur rotatif partiel 0,25, base rotative 10 000 000.

• Planification des couches — un motif d’attention alternant linéaire et complète dans un rapport 3:1, 16 répétitions, dans les deux.

• Vocabulaire et contexte — 248 320 tokens et 262 144 positions natives, dans les deux.

• Tour de vision — 27 couches, dimension cachée de 1 152, projection vers 5 120, dans les deux.

La conséquence pratique est que la question du matériel est la même pour les deux. Environ 54 Go de poids en bf16 : une carte de 80 Go confortablement, ou deux cartes de 40 Go tout juste. Aucun des deux n’est un modèle que l’on fait tourner sur un ordinateur portable, et aucun des deux n’a de version quantifiée dans son propre dépôt — l’écosystème de Qwen produit ces versions, et ZwZ2 n’a presque aucun écosystème.

La seule ligne qui diffère, et deux valeurs par défaut qui comptent davantage

Sur le plan structurel, il n’y a exactement qu’une seule divergence : Qwen3.8-27B définit mtp_num_hidden_layers à 1, conservant ainsi une tête de prédiction multi-token que Qwen indique avoir été entraînée en plusieurs étapes. ZwZ2-27B le définit à 0. Le modèle inclusionAI a vu sa tête de décodage spéculatif amputée, ce que l’on fait lorsque son pipeline d’entraînement ne l’utilise pas et que l’on préfère livrer un artefact plus petit et plus simple. C’est une différence d’ordre pratique, et non une prise de position de conception.

C’est au niveau des valeurs par défaut que les deux modèles se séparent réellement, et elles façonneront votre intégration plus que toute valeur de configuration.

Réflexion. Qwen3.8-27B réfléchit avant de répondre par défaut, expose trois niveaux d’effort avec xhigh comme valeur par défaut, et peut conserver le contexte de raisonnement des tours précédents via preserve_thinking. ZwZ2-27B est documenté en mode non-thinking : son quickstart passe enable_thinking=False, son template de chat demande au modèle de placer les réponses finales dans des balises <answer>, et l’intégralité de l’évaluation sur 25 benchmarks a été réalisée de cette manière. Si votre pipeline attend une réponse en une seule passe, ZwZ2-27B est conçu pour vous, prêt à l’emploi. Si vous voulez que le modèle délibère sur une tâche en cinquante étapes, Qwen3.8-27B dispose du mécanisme nécessaire, ce que la fiche de ZwZ2-27B ne revendique pas.

Modalité.Qwen3.8-27B est documenté pour la compréhension d’images et de vidéos, l’échantillonnage vidéo étant contrôlé via la couche de service. La configuration de ZwZ2-27B contient un video_token_id, mais sa fiche et son évaluation portent entièrement sur des images fixes et la comparaison de régions. Considérez la vidéo comme non prouvée du côté d’inclusionAI.

Ce que chaque camp peut réellement prouver

Les deux fournisseurs ont publié des évaluations. Elles ne sont pas comparables, et la raison n'est pas marketing — c'est que les deux suites mesurent des choses différentes.

La revendication de ZwZ2-27B repose sur 25 benchmarks dans six domaines perceptuels, évalués par inclusionAI, faisant passer sa propre base de 55,52 à 60,51. Les chiffres absolus les plus élevés concernent la perception à grain fin (moyenne du domaine de 67,57) et la compréhension de contextes longs (68,77), et les plus faibles sont Chartography à 12,00 et AgentVista à 18,18.

Le tableau publié de Qwen3.8-27B est une suite de tests textuels et agentiques comportant une section vision, et Qwen l'a évaluée face à son propre prédécesseur. Certains écarts entre Qwen3.8-27B et Qwen3.6-27B sont énormes :

• Codage terminal agentique — Terminal Bench 2.1 à 73,0, contre 63,4 pour Qwen3.6-27B.

• Ingénierie logicielle — QwenSWEBench à 79,0 contre 49,3, et DeepSWE 1.1 à 42,2 contre 13,3.

• Utilisation de l'ordinateur — OSWorld-Verified à 84,3 contre 63,9 ; WebArena-Verified à 64,8 contre 48,8.

• Utilisation mobile — AndroidWorld à 81,9 contre 70,3.

• Ingénierie logicielle multimodale — SWE-MM à 38,6 ; RecreationBench à 47,1 contre 29,8.

• Raisonnement scientifique — GPQA Diamond à 89,2 contre 87,8, et HLE à 30,8 contre 24,0.

Ce sont les propres chiffres de Qwen sur le propre harnais d’évaluation de Qwen, et ils disent quelque chose de simple : la génération 3.8 ne constitue pas un petit pas par rapport à la 3.6. Dans les tâches logicielles agentiques, l’amélioration se mesure en dizaines de points, et non en quelques unités.

Pourquoi +4,99 face à 3,6 n’est pas un nombre proche de 3,8

C’est là le piège de la comparaison, et il est facile d’y tomber. Le gain principal de ZwZ2-27B est de +4,99 par rapport à Qwen3.6-27B. Qwen3.8-27B est un modèle bien plus performant que Qwen3.6-27B sur la suite d’évaluations de Qwen. L’inférence tentante — selon laquelle les gains de ZwZ2 comblent l’écart — ne s’ensuit pas, et une raison mécanique fait qu’on ne peut pas le vérifier.

On ne peut pas soustraire des scores issus d’exécutions différentes. Le 60,51 de ZwZ2-27B est une moyenne des exactitudes sur 25 benchmarks perceptuels choisis par inclusionAI ; les chiffres de Qwen3.8-27B sont des scores obtenus sur un ensemble différent de benchmarks choisis par Qwen. Un modèle qui obtient 60,51 sur une suite de tests et un modèle qui obtient 84,3 sur une tâche complètement différente ne vous apprennent rien sur leur ordre relatif, et tout article qui place ces chiffres dans une même colonne fabrique un classement que personne n’a mesuré.

Ce que l’on peut en dire est plus étroit, et reste utile. ZwZ2-27B est une intervention ciblée sur un modèle que Qwen a depuis supplanté, et l’ampleur documentée de l’intervention — cinq points sur une moyenne perceptuelle — est du même ordre de grandeur que plusieurs des deltas de 3,6 à 3,8 de Qwen lui-même sur des tâches de vision, et bien inférieure à ses deltas sur des tâches agentiques. Savoir si la spécialisation comble l’écart générationnel en perception au niveau des régions est précisément ce qui nécessiterait un banc d’évaluation partagé. Personne n’en a construit.

Les colonnes de référence de la fiche suggèrent pourquoi une réponse pourrait exister. ZwZ2-27B obtient 60,51 là où inclusionAI a mesuré GLM-5.3-Flash à 57,24 et DeepSeek-V4.1-Flash à 55,47 — des modèles hébergés qu’il a surpassés sur une suite conçue autour de la comparaison de régions, la fiche notant que la résolution d’image des modèles avancés était limitée par leurs plateformes de service. C’est un résultat qui concerne autant la suite que les modèles. Ce n’est pas une preuve concernant Qwen3.8-27B, qui n’a jamais été de la partie.

Pour la plupart des équipes, la licence tranche avant même les benchmarks.

Qwen3.8-27B est sous Apache-2.0, déclaré dans l’en-tête de la fiche du modèle, avec un nombre de téléchargements se comptant en millions et un écosystème d’adaptateurs, de modèles affinés et de quantifications gravitant autour de lui. ZwZ2-27B ne déclare aucune licence. Sa fiche renvoie à « la licence accompagnant les poids publiés et la licence applicable au modèle de base », ce qui est circulaire lorsque les poids n’en portent aucune.

Pour une équipe de recherche, ce n’est qu’une note de bas de page. Pour une entreprise qui place un modèle derrière un produit, c’est la ligne de démarcation décisive, et l’écart n’est pas mince. Le fait que le socle soit sous Apache-2.0 ne licence pas automatiquement un dérivé dont les propres conditions ne sont pas énoncées — c’est une question à soumettre à un conseil juridique, et tant qu’inclusionAI n’y a pas répondu, l’interprétation prudente est que ZwZ2-27B n’est pas autorisé pour un déploiement commercial. L’absence d’article scientifique aggrave la situation : la fiche contient encore l’espace réservé littéral PAPER_URL, si bien que la description de la méthode se résume à un README et à un schéma de jeu de données, rien de plus.

Ce que vous pouvez appeler aujourd’hui

Qwen3.8-27B est routable sur OrcaRouter dès maintenant, sous une seule clé avec le reste du catalogue et au prix catalogue du fournisseur, sans majoration — donc si Qwen change sa tarification, le changement est effectif ici le jour même, plutôt qu’après un cycle de réévaluation tarifaire. Il est affiché à 0,33 $ par million de jetons d’entrée et 2,40 $ par million de jetons de sortie, avec 262 144 jetons de contexte proposés. Cela compte pour une comparaison comme celle-ci, où l’expérimentateur le moins cher l’emporte généralement : vous pouvez évaluer les performances de Qwen3.8-27B sur votre propre charge de travail cet après-midi, sans téléchargement ni GPU.

ZwZ2-27B ne figure pas dans notre catalogue, et il serait malhonnête de le formuler plus doucement. Il s’agit d’un artefact auto-hébergé de 54 Go, sans licence ni recette de déploiement, et la seule façon de l’évaluer est de l’exécuter. S’il gagne sa place dans votre stack plus tard, la couche de routage est l’endroit où les deux se rencontreraient — un seul endpoint, un basculement automatique et une politique qui envoie le trafic de comparaison régionale au modèle spécialisé et tout le reste au généraliste, plutôt qu’une réécriture.

Lequel, selon la charge de travail ?

Qwen3.8-27B est le choix par défaut défendable pour presque tout. Le codage agentique, l’utilisation d’outils sur un horizon long, le contrôle d’ordinateur et de navigateur, le raisonnement général, la vidéo — c’est là que ses gains publiés sont les plus importants, et c’est le seul des deux que vous pouvez légalement livrer et déployer en pratique aujourd’hui.

ZwZ2-27B a un cas d’usage plus restreint : vous exécutez déjà un pipeline de classe Qwen3.6-27B, votre goulot d’étranglement est le détail mesuré dans les documents, les graphiques ou les captures d’écran d’interface, et l’idée d’ajouter des appels d’outils de zoom et de recadrage à votre boucle d’inférence ne vous séduit pas. C’est précisément le problème qu’inclusionAI prétend résoudre — apprendre la comparaison entre les régions marquées au moment de l’entraînement afin que l’inférence n’ait besoin d’aucun outil. Si le modèle de base est la condition de contrôle dans votre propre banc d’essai, un test local de ZwZ2-27B par rapport à celui-ci est une expérience peu coûteuse et bien posée.

Ce qui n’est pas défendable, c’est de traiter le 60,51 du fournisseur comme un score de capacité générale, ou de le comparer à quelque chiffre que ce soit de Qwen3.8 comme si les deux se situaient sur une même échelle. Ce n’est pas le cas, et le modèle qui permettrait de trancher — un harnais commun, exécuté par quelqu’un sans intérêt en jeu — n’a pas été annoncé, pas plus que ZwZ2-27B lui-même.

Trois questions que cette comparaison soulève vraiment

ZwZ2-27B est-il simplement Qwen3.6-27B avec un entraînement supplémentaire ? Sur le plan architectural, oui, jusqu'au schéma des couches et à la tour de vision, avec la tête de prédiction multi-token supprimée. En termes de comportement, cela dépend d'une recette de post-entraînement qu'inclusionAI n'a décrite qu'au niveau d'un README : des groupes de régions de trois à sept, des questions générées à partir de recadrages privilégiés, filtrées par accord inter-modèles et par des tests d'omission d'une région, puis GRPO sur environ 20 000 exemples sans étape d'affinage supervisé. C'est la description d'une méthode, pas une reproduction.

Les gains de ZwZ2-27B résisteraient-ils à la confrontation avec Qwen3.8-27B sur les tâches de perception ? Inconnu, et impossible à savoir à partir des données actuelles. La section vision de Qwen3.8-27B est orientée vers l'utilisation d'ordinateurs, l'utilisation de navigateurs et l'ingénierie logicielle multimodale, et non vers la comparaison au niveau des régions ; aussi, même le tableau de Qwen ne répond-il pas à la question que soulève l'affirmation de ZwZ2.

Le changement de mode de réflexion par défaut modifie-t-il la comparaison ? Oui, plus que ne le suggère l’écart du benchmark. ZwZ2-27B est évalué et documenté comme un modèle à passe unique, sans réflexion ; Qwen3.8-27B est conçu autour d’un effort de raisonnement ajustable. Pour les appels de perception sensibles à la latence, cela favorise la conception de ZwZ2-27B, et pour tout ce qui exige une délibération, celle de Qwen3.8-27B — mais les deux ont été mesurés avec des paramètres de génération différents, donc les chiffres du benchmark portent aussi cette différence.