ZwZ2-27B מול Qwen3.8-27B: אותו שלד, שני הימורים שונים מאוד

הדבר המוזר ב־ZwZ2-27B לעומת Qwen3.8-27B הוא ששני המודלים הם אותה מכונה. פתחו את שני קבצי התצורה והמספרים מתאימים שורה אחר שורה: 64 שכבות, גודל נסתר של 5,120, 24 ראשי שאילתה מול 4 ראשי KV בממד 256, רוחב feed-forward של 17,408, אוצר מילים של 248,320 טוקנים, 262,144 מיקומים, ומגדל ראייה בן 27 שכבות בגודל נסתר של 1,152. הם אפילו מצהירים על אותה מחלקת ארכיטקטורה. מה שמבדיל ביניהם אינו רוחב או עומק. זה מה שכל מעבדה עשתה לגוף הזה לאחר מכן — ועד כה, אף אחד לא הריץ אותם זה מול זה כדי לגלות איזו בחירה ניצחה.

ההיעדרות הזו היא הדבר הראשון שצריך לומר בפשטות. ההערכה שפרסמה inclusionAI עבור ZwZ2-27B משווה אותו ל-GPT-5.6-Luna, ל-GLM-5.3-Flash ול-DeepSeek-V4.1-Flash. היא אינה כוללת את Qwen3.8-27B, והיא אינה כוללת שום מודל Qwen חדש יותר מזה ש-ZwZ2 נבנה ממנו. ולגבי Qwen, היא מעולם לא הזכירה את ZwZ2 כלל. כל מספר להלן הוא מעבדה אחת שמודדת את עצמה, או Qwen שמודדת את עצמה, ואף צד שלישי לא העמיד את השניים באותה מערכת בדיקה אחת.

אותו שלד, שורה אחר שורה

כדאי להיות מדויקים לגבי מידת הקרבה ביניהם, מפני שהמסגור הרגיל של „27B מול 27B” ממעיט בכך. אלה אינם שני מודלים שבמקרה נוחתים באותו סדר גודל; אלה שני תהליכי post-training על ארכיטקטורה ניתנת להחלפה.

• פרמטרים — 27B לשניהם, צפופים, ללא ניתוב mixture-of-experts באף אחת מהתצורות.

• עומק ורוחב — 64 שכבות, גודל מוסתר 5,120, גודל ביניים 17,408, זהה בשני הקבצים.

• קשב — 24 ראשי שאילתה, 4 ראשי KV, ממד ראש 256, מקדם רוטרי חלקי 0.25, בסיס רוטרי 10,000,000.

• לוח שכבות — תבנית קשב ליניארי-למלא ביחס 3:1, 16 חזרות, בשניהם.

• אוצר מילים והקשר — 248,320 טוקנים ו־262,144 פוזיציות מקוריות, בשניהם.

• מגדל ראייה — 27 שכבות, ממד מוסתר 1,152, המקרין ל-5,120, בשניהם.

ההשלכה המעשית היא ששאלת החומרה היא אותה שאלה לשניהם. כ-54 GB של משקלים ב-bf16, כרטיס אחד של 80 GB בנוחות או שני כרטיסים של 40 GB בדוחק. אף אחד מהם אינו מודל שמריצים על מחשב נייד, ולאף אחד מהם אין גרסה מכומתת במאגר שלו — האקוסיסטם של Qwen מייצר כאלה, ול-ZwZ2 אין כמעט אקוסיסטם בכלל.

השורה היחידה ששונה, ושתי ברירות מחדל שחשובות יותר

מבחינה מבנית קיים בדיוק הבדל אחד: Qwen3.8-27B מגדיר את mtp_num_hidden_layers ל-1, ובכך שומר על ראש חיזוי רב-אסימוני (multi-token prediction) שלפי Qwen אומן עם מספר שלבים. ZwZ2-27B מגדיר אותו ל-0. אצל מודל inclusionAI הראש לחיזוי ספקולטיבי (speculative-decoding) נכרת, וזה מה שעושים כשצינור האימון שלך אינו משתמש בו ומעדיפים לשלוח תוצר קטן ופשוט יותר. זהו הבדל של תחזוקה, לא הצהרת עיצוב.

ברירות המחדל הן המקום שבו שני המודלים באמת נפרדים, והן יעצבו את האינטגרציה שלך יותר מכל ערך תצורה.

חשיבה.Qwen3.8-27B חושב לפני שהוא עונה כברירת מחדל, חושף שלוש רמות מאמץ כאשר xhigh היא ברירת המחדל, ויכול לשמור הקשר חשיבה מתורות קודמות באמצעות preserve_thinking. ZwZ2-27B מתועד במצב ללא חשיבה: ה-quickstart שלו מעביר enable_thinking=False, תבנית הצ'אט שלו מבקשת מהמודל למקם תשובות סופיות בתוך תגי <answer>, וכל הערכת 25-הבנצ'מרקים בוצעה בדרך זו. אם ה-pipeline שלך מצפה לתגובה במעבר יחיד, ZwZ2-27B מתאים לך מיד עם השימוש. אם אתה רוצה שהמודל ישקול לעומק לאורך משימה בת חמישים שלבים, ל-Qwen3.8-27B יש מנגנון לכך, והכרטיס של ZwZ2-27B אינו טוען לדבר כזה.

מודאליות. Qwen3.8-27B מתועד להבנת תמונות ווידאו, כאשר דגימת וידאו נשלטת דרך שכבת ההגשה. בקונפיגורציה של ZwZ2-27B קיים video_token_id, אך הכרטיס וההערכה שלו עוסקים כולם בתמונות סטילס ובהשוואת אזורים. יש להתייחס לווידאו כלא מוכח בצד inclusionAI.

מה שכל צד יכול למעשה להוכיח

שני הספקים פרסמו הערכות. הן אינן ברות השוואה, והסיבה אינה שיווק — היא ששתי החבילות מודדות דברים שונים.

הטענה של ZwZ2-27B נשענת על 25 מבחני בנצ'מרק בששה תחומי תפיסה, שנמדדו על ידי inclusionAI, ומעלה את ציון הבסיס שלה עצמה מ-55.52 ל-60.51. המספרים המוחלטים החזקים ביותר הם בתפיסה עדינה (ממוצע תחומי של 67.57) ובהבנת הקשר ארוך (68.77), והחלשים ביותר הם Chartography עם 12.00 ו-AgentVista עם 18.18.

הטבלה שפורסמה עבור Qwen3.8-27B היא מערך בדיקות לטקסט ולסוכנים עם חלק ראייה, ו-Qwen הריצה אותו מול קודמו. חלק מהפערים בין Qwen3.8-27B ל-Qwen3.6-27B הם עצומים:

• קידוד טרמינלי אגנטי — Terminal Bench 2.1 עם 73.0, לעומת 63.4 עבור Qwen3.6-27B.

• הנדסת תוכנה — QwenSWEBench עומד על 79.0 לעומת 49.3, ו-DeepSWE 1.1 על 42.2 לעומת 13.3.

• שימוש במחשב — OSWorld-Verified ב-84.3 לעומת 63.9; WebArena-Verified ב-64.8 לעומת 48.8.

• שימוש בנייד — AndroidWorld ב-81.9 לעומת 70.3.

• הנדסת תוכנה מולטימודלית — SWE-MM ב-38.6; RecreationBench ב-47.1 לעומת 29.8.

• חשיבה מדעית — GPQA Diamond ב-89.2 לעומת 87.8, ו-HLE ב-30.8 לעומת 24.0.

אלה המספרים של Qwen על הארנס של Qwen עצמה, והם אומרים משהו פשוט: הדור 3.8 אינו צעד קטן לעומת 3.6. בעבודת תוכנה אג'נטית השיפור נמדד בעשרות נקודות, לא בספרות בודדות.

למה +4.99 לעומת 3.6 הוא לא מספר על 3.8

זו המלכודת שבהשוואה, וקל ליפול בה. הרווח הכותרתי של ZwZ2-27B הוא +4.99 לעומת Qwen3.6-27B. Qwen3.8-27B הוא מודל חזק בהרבה מ-Qwen3.6-27B בחבילת הבחינות של Qwen. ההסקה המפתה — שהרווחים של ZwZ2 סוגרים את הפער — אינה נובעת, ויש סיבה מכנית לכך שלא ניתן לבדוק אותה.

לא ניתן לחסר בין ריצות. המספר 60.51 של ZwZ2-27B הוא ממוצע של דיוקים על פני 25 מבחני תפיסה שנבחרו על ידי inclusionAI; הנתונים של Qwen3.8-27B הם ציונים על קבוצה אחרת של מבחנים שנבחרה על ידי Qwen. מודל שמקבל 60.51 במערך אחד ומודל שמקבל 84.3 במשימה שונה לחלוטין לא אומרים לך דבר על הסדר היחסי ביניהם, וכל מאמר שמציב את המספרים האלה בעמודה אחת מייצר דירוג שאיש לא מדד.

מה שאפשר לומר הוא צר יותר ועדיין שימושי. ZwZ2-27B הוא התערבות ממוקדת במודל שאותו Qwen מאז החליפה, והגודל המתועד של ההתערבות — חמש נקודות בממוצע תפיסתי — הוא באותו סדר גודל כמו כמה מהדלתאות של Qwen עצמה, 3.6 עד 3.8, במשימות ראייה, והרבה יותר קטן מהדלתאות שלה במשימות אג'נטיות. האם ההתמחות סוגרת את הפער בין הדורות בתפיסה ברמת אזור היא בדיוק הדבר שהיה צריך רתמת בדיקה משותפת. אף אחד לא בנה כזו.

עמודות הייחוס שבכרטיס רומזות מדוע ייתכן שקיימת תשובה. ZwZ2-27B מקבל ציון 60.51, בעוד inclusionAI מדדה את GLM-5.3-Flash ב-57.24 ואת DeepSeek-V4.1-Flash ב-55.47 — מודלים מתארחים שאותם ניצח בסוויטה שנבנתה סביב השוואת אזורים, כשהכרטיס מציין שרזולוציית התמונה של מודלים מתקדמים הוגבלה על ידי פלטפורמות ההגשה שלהם. זו תוצאה על הסוויטה לא פחות מאשר על המודלים. היא אינה ראיה לגבי Qwen3.8-27B, שמעולם לא היה בחדר.

הרישיון מכריע את העניין עבור רוב הצוותים לפני שהבנצ'מרקים עושים זאת

Qwen3.8-27B הוא Apache-2.0, כפי שהוצהר בפתח כרטיס המודל, עם מספר הורדות במיליונים ומערכת אקולוגית של מתאמים, כיוונונים עדינים וקוונטיזציות סביבו. ZwZ2-27B אינו מצהיר על רישיון כלל. הכרטיס שלו מפנה אל „הרישיון הנלווה למשקולות ששוחררו ולרישיון עמוד השדרה הרלוונטי”, וזה מעגלי כאשר המשקולות אינן נושאות רישיון כלל.

עבור צוות מחקר זהו הערת שוליים. עבור חברה שמעמידה מודל מאחורי מוצר זהו הקו המכריע, וזה לא קרוב. העובדה שעמוד השדרה הוא Apache-2.0 אינה מקנה רישיון אוטומטית לנגזרת שתנאיה אינם מוצהרים — זו שאלה ליועצים משפטיים, ועד ש-inclusionAI תשיב עליה, הפרשנות הבטוחה היא ש-ZwZ2-27B אינו מאושר לפריסה מסחרית. היעדר מאמר מחמיר את הבעיה: הכרטיס עדיין מכיל את מציין המקום המילולי PAPER_URL, כך שתיאור השיטה הוא README וסכימת מערך נתונים, ולא יותר מכך.

מה שאפשר לקרוא לו היום

Qwen3.8-27B זמין לניתוב ב-OrcaRouter ממש עכשיו, תחת מפתח אחד עם שאר הקטלוג ובמחיר המחירון של הספק ללא תוספת מחיר — כך שאם התמחור של Qwen משתנה, השינוי פעיל כאן באותו יום ולא לאחר מחזור תמחור מחדש. המודל רשום במחיר $0.33 למיליון טוקנים בקלט ו-$2.40 למיליון טוקנים בפלט, עם חלון הקשר של 262,144 טוקנים. זה חשוב להשוואה כמו זו, שבה בדרך כלל המתנסה הזול יותר מנצח: אפשר להשוות את Qwen3.8-27B לעומס העבודה שלך אחר הצהריים בלי הורדה או GPU.

ZwZ2-27B אינו בקטלוג שלנו, וזה יהיה לא ישר לנסח זאת בעדינות רבה יותר. זהו ארטיפקט בהארחה עצמית בנפח 54 GB ללא רישיון וללא מתכון הגשה, והדרך היחידה להעריך אותו היא להריץ אותו. אם בהמשך הוא יזכה במקום במערך שלך, שכבת הניתוב היא המקום שבו השניים ייפגשו — נקודת קצה אחת, מעבר כשל אוטומטי, ומדיניות ששולחת את תעבורת השוואת האזורים למודל המתמחה ואת כל השאר למודל הכללי, במקום לכתוב הכול מחדש.

איזה מהם, לפי עומס העבודה

Qwen3.8-27B היא ברירת המחדל המוצדקת כמעט לכל דבר. תכנות אגנטי, שימוש בכלים לטווח ארוך, שליטה במחשב ובדפדפן, הסקה כללית, וידאו — שם השיפורים שפורסמו הם הגדולים ביותר, והוא היחיד מבין השניים שאפשר להפיץ באופן חוקי ולפרוס באופן מעשי היום.

ל-ZwZ2-27B יש מקרה צר יותר: אתם כבר מריצים צינור עיבוד בדרגת Qwen3.6-27B, צוואר הבקבוק שלכם הוא פירוט מדיד במסמכים, בגרפים או בצילומי מסך של ממשקים, והרעיון להוסיף קריאות לכלי זום וחיתוך ללולאת ההסקה שלכם אינו מושך. זו בדיוק הבעיה ש-inclusionAI טוענת שהיא פותרת — ללמוד את ההשוואה בין אזורים מסומנים בזמן האימון כך שההסקה לא תזדקק לכלים. אם מודל הבסיס הוא תנאי הבקרה בהרנס שלכם, בדיקה מקומית של ZwZ2-27B מולו היא ניסוי זול ומוגדר היטב.

מה שאינו ניתן להצדקה הוא להתייחס ל-60.51 של הספק כאל ציון יכולת כללית, או להשוות אותו לכל נתון של Qwen3.8 כאילו השניים עומדים על אותו סולם. הם אינם, והמודל שיכריע בדבר — מערכת בדיקה משותפת, שתופעל בידי מי שאין לו אינטרס — טרם הוכרז, בדיוק כפי ש-ZwZ2-27B עצמו טרם הוכרז.

שלוש שאלות שההשוואה הזו באמת מעלה

האם ZwZ2-27B הוא בעצם Qwen3.6-27B עם אימון נוסף?מבחינה ארכיטקטונית כן, עד לרמת לוח השכבות ומגדל הראייה, כאשר ראש חיזוי ריבוי-טוקנים הוסר. מבחינת התנהגות זה תלוי במתכון אימון-לאחר ש-inclusionAI תיארה רק ברמת README: קבוצות אזוריות של שלוש עד שבע, שאלות שנוצרות מחיתוכים מיוחסים, מסוננות לפי הסכמה בין-מודלית ומבחני השמטת-אזור-בודד, ואז GRPO על כ-20,000 דוגמאות ללא שלב כוונון עדין מפוקח. זהו תיאור של שיטה, לא שחזור.

האם הרווחים של ZwZ2-27B יחזיקו מעמד מול Qwen3.8-27B במשימות תפיסה?לא ידוע, ובלתי ניתן לדעת מהתיעוד הנוכחי. חלק הראייה של Qwen3.8-27B מוטה לעבר שימוש במחשב, שימוש בדפדפן והנדסת תוכנה רב-מודלית, ולא לעבר השוואה ברמת אזור, כך שאפילו הטבלה של Qwen עצמה אינה עונה על השאלה שהטענה של ZwZ2 מעלה.

האם ברירת המחדל של מצב החשיבה משנה את ההשוואה? כן, יותר ממה שפער הבנצ'מרק מרמז. ZwZ2-27B מוערך ומתועד כמודל חד-מעברי ללא חשיבה; Qwen3.8-27B בנוי סביב מאמץ הסקה מתכוונן. עבור קריאות תפיסה רגישות להשהיה זה מיטיב עם העיצוב של ZwZ2-27B, ועבור כל דבר שדורש עיון מעמיק זה מיטיב עם זה של Qwen3.8-27B — אך השניים נמדדו תחת הגדרות יצירה שונות, ולכן מספרי הבנצ'מרק נושאים גם את ההבדל הזה.