ZoomGain-9B vs Qwen 3.8 8B: Tidak Ada Qwen3.8-8B, dan Itulah Artikelnya

Cari "Qwen 3.8 8B" dan Anda akan menemukan halaman perbandingan, tautan unduhan, dan setengah lusin artikel yang memperlakukannya sebagai model yang sudah dirilis. Padahal bukan. Generasi Qwen3.8 milik Alibaba berisi empat checkpoint terbuka — Qwen3.8-27B, build FP8-nya, Qwen3.8-2.4T-A95B, dan Qwen3.8-Flash-Next — dan tidak satu pun berukuran 8B. Slot 8B dalam jajaran Qwen ditempati oleh Qwen3-8B, model dari generasi Qwen3 2025, yang memiliki arsitektur berbeda, tokenizer berbeda, dan era berbeda. Jadi versi jujur dari perbandingan ini adalah antara ZoomGain-9B, checkpoint visi-bahasa 9B yang diterbitkan inclusionAI pada 10 November 2026, dan dua model Qwen yang benar-benar ada pada ukuran sebanding: Qwen3.8-27B, anggota dense terkecil dari generasi 3.8 dengan 27 miliar parameter, dan Qwen3.5-9B, trunk yang menjadi dasar post-training ZoomGain-9B.

Koreksi itu bukan sekadar persoalan teknis yang perlu disingkirkan sebelum bagian yang menarik. Itu mengubah jawabannya. Qwen3.5-9B adalah model dasar yang digunakan untuk melatih ZoomGain, jadi itu adalah hal yang paling mendekati eksperimen terkontrol dalam seluruh rilis ini: bobot yang sama, arsitektur yang sama, tokenizer yang sama, dengan perbedaan 9.000 sampel RL. Qwen3.8-27B tiga kali lebih besar dan dua generasi lebih baru, dan itulah model yang sebenarnya akan Anda pilih sebagai ganti ZoomGain jika Anda menginginkan endpoint Qwen hari ini. Membandingkan dengan keduanya memberi tahu Anda sesuatu yang tidak pernah bisa diberikan oleh 8B hantu itu.

Mengapa entri hantu itu ada sama sekali

Penamaannya tidak acak. Qwen merilis 27B dan 2.4T-A95B pada 5 dan 8 Agustus 2026, lalu Flash-Next pada 24 Agustus. Generasi sebelumnya, Qwen3.5, memiliki varian 9B dan 4B; Qwen3.6 memiliki 27B dan 35B-A3B. Setiap generasi sejak Qwen3 menyertakan model dense kecil, dan generasi 3.8 adalah yang pertama tidak menyertakannya. Siapa pun yang mencocokkan pola berdasarkan tiga rilis sebelumnya akan secara wajar memprediksi Qwen3.8-9B, dan Qwen3.8-8B hanya berselisih satu digit dari prediksi itu.

Yang sebenarnya mengisi celah itu adalah distilasi komunitas. Checkpoint Qwen3.8-9B-Distill muncul di Hub dari lab-laboratorium independen dalam waktu seminggu setelah rilis 27B, dan turunan dari turunan itu pun menyusul. Itu adalah model-model kecil yang dilatih pada output Qwen3.8, bukan model Qwen3.8. Jika sebuah halaman yang Anda temukan mendeskripsikan "Qwen 3.8 8B" dengan angka-angka benchmark, penjelasan yang paling mungkin adalah bahwa halaman itu mendeskripsikan salah satu dari model tersebut, atau bahwa halaman itu tidak mendeskripsikan apa pun.

Konsekuensi praktisnya: jika Anda membutuhkan model kecil dari keluarga Qwen, pilihan nyata yang tersedia saat ini adalah Qwen3.5-9B dengan 9B dan Qwen3.5-4B dengan 4B, keduanya dari Februari 2026, keduanya Apache 2.0, dan keduanya masih termasuk model yang paling banyak diunduh di Hub. ZoomGain-9B dibangun di atas yang pertama.

Eksperimen terkontrol yang secara tidak sengaja disediakan oleh rilis tersebut.

Konfigurasi Qwen3.5-9B dan ZoomGain-9B bentuknya sama: 32 lapisan, ukuran tersembunyi 4.096, ukuran intermediate 12.288, 16 kepala query versus 4 kepala KV pada dimensi kepala 256, 262.144 posisi maksimum, dan jadwal 3:1 yang sama dari DeltaNet linear ke atensi penuh. Menara visi milik model dasar. Tidak ada yang berubah pada arsitekturnya.

Yang berubah adalah pascapelatihan. ZoomGain menerapkan GRPO pada 9.000 pertanyaan yang dihasilkan dari penambangan detail yang dipotong, selama satu epoch, dengan delapan rollout per pertanyaan. Itulah keseluruhan intervensinya, dan efek terukurnya pada ZoomGainBench adalah 32,13 hingga 55,48 — lonjakan 23,35 poin pada tolok ukur yang dibangun dari pipeline yang sama dengan data pelatihan, yang oleh makalah secara jujur diberi label "Held-in".

Angka yang lolos dari catatan itu adalah rata-rata held-out di tiga belas benchmark yang tidak pernah dilihat oleh pelatihan: 59,75 untuk Qwen3.5-9B, 66,10 untuk ZoomGain-9B. Kenaikan 6,35 poin dari 9.000 sampel, pada bobot yang sama. Dalam keluarga spesifik yang menjadi target rilis ini, delta-nya lebih besar: HR-Bench 4K 82,13 menjadi 90,25, V*Bench 86,91 menjadi 93,19, VisualProbe 44,66 menjadi 56,31.

• Hasil negatif yang menarik — MMStar bergerak dari 71,73 ke 73,87, dan BabyVision dari 15,98 ke 17,53. Kompetensi multimodal umum hampir tidak bergeser. Pelatihan itu menghasilkan detail halus dan tidak banyak hal lain, yang memang seharusnya dilakukan oleh proses RL bertarget dengan 9.000 sampel.

• Catatan jujur — semua hal di atas dilaporkan sendiri oleh penulis pada harness milik penulis. Belum ada pihak di luar Ant Group yang mereproduksinya. Evaluator dan benchmark-nya bersifat publik, jadi dapat diperiksa, tetapi belum diperiksa.

Qwen3.8-27B, dan baris yang menempatkannya dalam tabel yang sama

Di sini perbandingannya menjadi nyata, karena makalah ZoomGain memang mengevaluasi Qwen3.8-27B pada tolok ukurnya sendiri. Model 27B itu memperoleh skor 44,81 secara keseluruhan di ZoomGainBench — di belakang Kimi-K3 (48,65), di belakang Qwen3.8-Flash-Next (55,05), dan di belakang setiap model frontier sumber tertutup dalam tabel. Dengan ukuran itu, model ini merupakan pengamat detail halus yang kompeten tetapi biasa saja.

Bandingkan itu dengan 55.48 milik ZoomGain-9B pada tes yang sama, dan hitungannya tampak mencolok: model 9B mencetak 10.7 poin lebih tinggi daripada model 27B dari keluarga yang sama, pada benchmark yang tidak akan dipilih oleh pemasaran kedua vendor. Namun, inilah tepatnya perbandingan yang perlu diberi label held-in, dan makalah tersebut melampirkannya. ZoomGainBench dibangun oleh pipeline yang membangun data pelatihan ZoomGain. Model yang dilatih pada pertanyaan dari pipeline tersebut telah melihat distribusi itu; model yang dievaluasi pada benchmark tersebut belum. Kesenjangan 10.7 poin adalah pernyataan tentang kecocokan distribusi, bukan tentang kemampuan.

Ketika keduanya dapat dibandingkan tanpa distorsi tersebut, gambaranannya berbalik. Kartu model Qwen3.8-27B sendiri melaporkan Terminal Bench 2.1 sebesar 73,0, SWE-bench Pro 61,7, LiveCodeBench v6 90,3, GPQA Diamond 89,2, dan HLE 30,8. ZoomGain-9B tidak dievaluasi pada satu pun dari ini dan tidak diharapkan tampil baik: pelatihannya tidak pernah menyentuh kode, tugas terminal, atau sains tingkat pascasarjana. Qwen3.8-27B juga menerima gambar dan video secara native, menyediakan konteks 262.144 token yang dapat diperluas hingga satu juta, dan mendukung kontrol berpikir dengan `reasoning_effort` — kemampuan yang sama sekali tidak dimiliki ZoomGain-9B, karena evaluasinya berjalan dengan mode berpikir dinonaktifkan.

• Ukuran dan bentuk — Qwen3.8-27B adalah model dense 27B dengan 64 lapisan, hidden 5.120, intermediate 17.408, dan kepala prediksi multi-token 1 lapisan. ZoomGain-9B berukuran sekitar 9,4B dengan 32 lapisan pada hidden 4.096.

• Ketersediaan — Qwen3.8-27B memiliki 7,4 juta unduhan, lisensi Apache 2.0, build FP8 dan GGUF, serta endpoint yang dihosting. ZoomGain-9B tidak memiliki endpoint yang dihosting, pemetaan penyedia yang kosong di Hub, lisensi yang dialihkan ke kartu tanpa tag lisensi, dan build GGUF 11 November sebagai satu-satunya distribusi selain BF16.

• Tanggal rilis — Qwen3.8-27B: 5 Agustus 2026, peluncuran penuh dengan postingan blog dan laporan teknis. ZoomGain-9B: 10 November 2026, sebuah makalah dan repositori dan tidak ada yang lain. Jarak tiga bulan itu tidak sepenting fakta bahwa salah satunya sudah digunakan dalam lingkungan produksi sejak Agustus.

Harga setiap rute, dan rute yang benar-benar dapat kami jual kepada Anda

Qwen3.8-27B ada di katalog OrcaRouter dengan $0.33 per juta token input dan $2.40 per juta output, dengan konteks 262K, input teks, gambar, dan video, serta markup 0% atas harga daftar penyedia — angka di halaman model kami adalah angka yang dikenakan Qwen, diteruskan apa adanya, sehingga perubahan harga vendor langsung berlaku di sini pada hari yang sama, bukan setelah siklus penetapan harga ulang. Kunci yang sama juga menjangkau Qwen3.8-Flash dan Qwen3.8-Max jika 27B ternyata ukuran yang salah, dan failover berarti endpoint yang tersendat akan mencoba ulang ke penyedia sebelum respons dimulai bukan setelah permintaan Anda kehabisan waktu.

ZoomGain-9B tidak ada dalam katalog dan tidak dapat dipanggil melalui kami. Ukurannya 18,82 GB dalam BF16, atau 5,63 GB pada Q4_K_M ditambah proyektor mmproj 0,52 GB, yang disajikan di bawah vLLM 0.19.1 dengan transformers 5.7.0 atau di bawah build llama.cpp dengan dukungan multimodal Qwen3.5. Qwen3.5-9B sendiri juga tidak ada dalam katalog, dan ini layak dikatakan terang-terangan: versi hosted murah dari perbandingan ini juga tidak ada di pihak kami.

Jika pertanyaan sebenarnya Anda adalah "haruskah saya menjalankan ZoomGain-9B alih-alih membayar endpoint Qwen", perbandingan biayanya tidak tipis ke arah mana pun dan memang tidak perlu demikian. Model dense 27B dengan biaya $0.33 per juta token masukan lebih murah daripada memiliki GPU untuk hampir semua volume yang Anda sebut sebagai sesekali. Self-hosting model 9B hanya unggul ketika volumenya tinggi, data tidak boleh keluar dari jaringan Anda, atau tugasnya adalah satu hal sempit yang menjadi tujuan pelatihan model 9B tersebut.

Ketika model phantom itu akan menjadi penting

Ada celah nyata dalam jajaran produk Qwen, dan ini layak disebut karena menjelaskan mengapa begitu banyak orang mencari perbandingan ini. Model dense 9B dengan jendela 262K dan kosakata generasi Qwen3.8, yang dijual dengan harga mendekati Qwen3.5-9B, akan menjadi pilihan hemat yang jelas untuk pipeline yang sarat gambar — lebih murah daripada 27B, lebih mampu daripada 4B, dan cukup kecil untuk di-hosting sendiri di satu kartu. Qwen tidak merilisnya, jadi slot tersebut saat ini diisi oleh Qwen3.5-9B yang lebih lama atau oleh distilasi komunitas tanpa dukungan vendor.

ZoomGain-9B juga bukan model itu, dan perbedaannya penting. Ini adalah spesialis persepsi dengan pertanyaan lisensi riset dan tanpa jalur hosted, bukan Q​wen kecil serba guna. Jika yang Anda inginkan dari "Q​wen 3.8 8B" adalah generalis murah, ZoomGain-9B akan mengecewakan Anda dalam segala hal kecuali detail halus. Jika yang Anda inginkan adalah model yang dapat menemukan nomor seri dalam foto 4K, ini adalah salah satu dari sedikit checkpoint kecil yang dibangun khusus untuk itu.

Untuk kasus generalis, pengganti yang realistis adalah lini Qwen3.5 yang dihosting — 35B-A3B dengan $0.057 per juta token masukan, 27B dengan $0.086 — yang menempati slot anggaran yang seharusnya diisi oleh 8B yang tidak tersedia, dengan kebutuhan sumber daya yang lebih besar dan endpoint nyata. Untuk kasus persepsi, tidak ada pengganti hosted yang dapat kami tawarkan: Qwen3-VL-8B-Instruct dengan $0.18 untuk masukan dan $0.70 untuk keluaran per juta token menerima gambar dan berfungsi sebagai pengganti sementara untuk menguji apakah kesalahan Anda adalah kesalahan detail, tetapi model ini tidak dilatih dengan cara yang sama seperti ZoomGain dan tidak akan menyamainya pada crop.

Apa yang harus dilakukan dengan ini, secara konkret

Jika Anda datang ke sini untuk mendapatkan putusan ZoomGain-9B vs Qwen3.8-8B, putusannya adalah bahwa lawannya tidak ada dan halaman mana pun yang memberikannya kepada Anda telah mengarang separuh perbandingan. Dua pertanyaan sebenarnya lebih sempit dan keduanya dapat dijawab hari ini.

Pertanyaan pertama: apakah fine-tune 9B dari Qwen3.5-9B lebih baik daripada Qwen3.5-9B dalam persepsi berbutir halus? Berdasarkan angka penulisnya, ya, sebesar 6,35 poin pada held-out dan jauh lebih besar pada benchmark yang menjadi target pelatihan. Itu hasil yang kuat untuk 9.000 sampel dan hal paling menarik dalam rilis ini.

Pertanyaan kedua: apakah ZoomGain-9B lebih baik daripada Qwen3.8-27B dalam hal apa pun yang penting bagi Anda? Dalam kemampuan umum, tidak — model 27B lebih baru, lebih besar, didokumentasikan lebih baik, berlisensi, dihosting, dan dievaluasi pada jauh lebih banyak dimensi. Pada benchmark yang dibangun dari distribusi pelatihan ZoomGain sendiri, model ini mencetak skor 10,7 poin lebih tinggi, yang menunjukkan bahwa pelatihan tersebut berhasil dan tidak memberi tahu Anda apa pun tentang model mana yang harus dibeli.

Keputusan yang menyusul tidak glamor. Gunakan model Q​wen yang dihosting untuk pekerjaan umum, karena biayanya $0.33 per juta token masukan dan tersedia dalam satu panggilan API. Unduh ZoomGain-9B hanya jika Anda memiliki tugas spesifik yang menuntut detail halus, GPU, dan pengacara yang telah membaca berkas lisensi yang belum diterbitkan oleh vendor.