ZwZ2-27B: Bobotnya Tiba pada 16 Oktober, Penjelasannya Datang Sepuluh Hari Kemudian

ZwZ2-27B telah dapat diunduh dari Hugging Face sejak 16 Oktober 2026. Selama sepuluh hari pertama kehidupan publiknya, tidak ada pengumuman, tidak ada makalah, tidak ada README, dan tidak ada lisensi yang dinyatakan — hanya dua shard safetensors bf16 di bawah inclusionAI, dan sebuah repositori yang tidak memberikan alasan keberadaannya. Pada 26 Oktober, kartu model muncul. Dinyatakan bahwa model tersebut adalah sistem visi-bahasa yang dilatih dengan pembelajaran penguatan yang dibangun di atas Qwen3.6-27B, dan model ini menerbitkan evaluasi 25 benchmark yang di dalamnya model tersebut mengalahkan basis itu dengan selisih 4,99 poin secara keseluruhan.

Itulah keseluruhan hal yang baru, dan ini layak dipisahkan dari apa yang akan orang anggap telah terjadi. Ini bukan peluncuran. Bobotnya sudah berusia sebelas hari dan vendor masih belum mengumumkannya. Yang berubah minggu ini adalah kita akhirnya bisa membaca untuk tujuan apa inclusionAI menganggap model ini dibuat.

Apa yang sebenarnya berubah, berdasarkan tanggal

Riwayat commit repositori itu sendiri adalah bukti paling bersih yang tersedia, dan itu tidak membuat kisahnya tampak lebih indah. Tiga commit memuat semuanya:

• 16 Oktober, 05.42 UTC — commit awal, lalu “Add ZwZ2-27B model weights” sepuluh menit kemudian. Config, tokenizer, processor, dan dua shard bobot. Tanpa README.

• 26 Oktober, 02:58 UTC — “Create README.md”. Deskripsi tertulis pertama tentang model tersebut, sepuluh hari setelah bobotnya.

• 26–27 Oktober — revisi README berulang dan unggahan enam file saat angka benchmark dan aset gambar disusun.

Pada saat penulisan, repositori menunjukkan tujuh unduhan dan nol suka. Proyek GitHub pendamping, inclusionAI/Zooming-without-Zooming-v2, dibuat pada 14 Oktober dan memiliki satu bintang. Pencarian nama model dalam bahasa Inggris mengembalikan liputan tentang keluarga ZwZ-2B/4B/8B yang lebih lama dan tentang ZwZ2-9B tanggal 16 Oktober, dan sama sekali tidak ada tentang 27B. Jika peluncuran terjadi di sini, itu terjadi tanpa audiens.

Model di file konfigurasi

File konfigurasi adalah bagian paling tidak memikat dan paling andal dari setiap rilis. File ini mendeskripsikan model visi-bahasa padat yang deklarasi arsitekturnya adalah Qwen3_5ForConditionalGeneration — kelas yang sama yang digunakan model Qwen sendiri — dengan angka-angka berikut:

• Menara teks — ukuran tersembunyi 5.120, 64 lapisan, 24 kepala kueri dan 4 kepala KV pada dimensi kepala 256, lebar feed-forward 17.408.

• Tata letak attention — rasio 3:1 antara lapisan linear-attention dan lapisan full-attention, berulang 16 kali, dengan M-RoPE yang diselang-seling dan basis rotary 10.000.000.

• Kosakata dan konteks — 248.320 token, 262.144 posisi asli.

• Menara visi — 27 lapisan pada ukuran tersembunyi 1.152, memproyeksikan ke 5.120, ukuran patch 16 dengan penggabungan spasial 2×2.

• Prediksi multi-token — mtp_num_hidden_layers diatur ke 0, yaitu head MTP telah dihapus relatif terhadap backbone Qwen.

Baris terakhir itu adalah satu-satunya perbedaan struktural dari basis. Semua lainnya — jumlah lapisan, geometri head, kosakata, batas atas konteks, kedalaman visi — sama dengan Qwen3.6-27B persis. ZwZ2-27B adalah bodi yang sama dengan rezim pasca-pelatihan yang berbeda dan satu head speculative decoding yang dilepas.

Ini juga berarti modelnya tidak kecil. Dengan 27B parameter dalam bf16, bobotnya sekitar 54 GB yang tersebar di dua shard, sehingga muat dengan nyaman pada satu akselerator 80 GB atau pas-pasan di dua kartu 40 GB. Tidak ada varian terkuantisasi di repositori, tidak ada resep vLLM atau SGLang, dan tidak ada catatan serving selain quickstart Hugging Face transformers yang dipatok ke versi 5.13.1.

Klaim +4.99, dan secara persis apa yang dicakupnya

Judul kartunya adalah bahwa di 25 tolok ukur dalam enam domain, model tersebut “meningkat dibandingkan model dasarnya pada setiap tolok ukur,” yang menggeser rata-rata keseluruhan dari 55,52 menjadi 60,51. Kedua bagian kalimat itu sesuai dengan gambar hasil yang dipublikasikan, dan keduanya memerlukan keterangan pembatas.

Yang menjadi catatan pembatas adalah bahwa ini merupakan harness milik inclusionAI sendiri, pemilihan benchmark-nya sendiri, dan penilaiannya sendiri, yang dipublikasikan di repositori miliknya sendiri. Tidak ada bagian di sini yang telah direproduksi di luar organisasi. Ini adalah evaluasi vendor dalam pengertian biasa: berguna untuk melihat apa yang dioptimalkan oleh tim, tetapi tidak dapat digunakan sebagai penilaian independen.

Kualifikasi lainnya adalah skala. Kenaikan 4,99 poin pada rata-rata 25 benchmark adalah pergerakan nyata, tetapi rata-rata itu adalah rata-rata akurasi di berbagai tugas yang sangat berbeda, dengan bobot yang sama per domain. Ini bukan indeks kemampuan dan tidak boleh dibandingkan dengan skor dari suite yang berbeda.

Berikut adalah rincian tingkat domain, base versus tuned:

• Persepsi terperinci — 62,09 hingga 67,57, peningkatan sebesar 5,48 pada delapan tolok ukur termasuk VStar, HR-8K, dan MME-RealWorld.

• Persepsi spasial — 49,72 hingga 55,98, peningkatan sebesar 6,26 pada enam tolok ukur.

• Pemahaman konteks panjang — 65.87 menjadi 68.77, peningkatan sebesar 2.90 di tiga tolok ukur.

• Penalaran spasial berwujud — 50,17 menjadi 55,71, peningkatan sebesar 5,54 pada tiga tolok ukur.

• Agen multimodal — 49,73 menjadi 51,81, kenaikan sebesar 2,08 pada tiga benchmark.

• Penalaran visual umum — 47,89 hingga 53,71, peningkatan sebesar 5,82 di MMStar dan BabyVision.

Di mana peningkatannya terkonsentrasi — dan di mana modelnya masih lemah

Bentuk tabel itu lebih penting daripada rata-ratanya. Keuntungan relatif terbesar terdapat pada persepsi spasial dan penalaran embodied, yang konsisten dengan apa yang diklaim metode ini ajarkan: membandingkan, mencocokkan, dan mengagregasikan bukti di beberapa wilayah bertanda pada satu gambar, menggunakan gambar penuh saat inferensi dan tanpa panggilan zoom eksternal.

Dua peningkatan terkecil adalah agen konteks panjang dan multimodal. Keduanya juga merupakan dua domain tempat model dasar sudah paling kuat relatif terhadap tugas, yang merupakan pola biasa untuk fine-tuning RL pada resep data yang sempit: ia menggerakkan apa yang dapat dilihat oleh sinyal imbalan.

Angka absolutnya adalah bacaan yang lebih menyadarkan. Chartography berada di 12,00. AgentVista berada di 18,18. Perception-Bench di 44,93. Sebuah model dapat memperoleh lima poin secara keseluruhan dan tetap hampir tidak dapat digunakan pada beberapa tolok ukur individual dalam kumpulan tersebut, dan model ini memang demikian. Siapa pun yang mengutip “60,51 secara keseluruhan” sebagai angka kompetensi umum sedang mengutip rata-rata yang menyembunyikan angka 12.

Resep pelatihannya menjelaskan batas atas tersebut. EvidenceConnect membangun datanya dari gambar SA-1B dengan mengelompokkan tiga hingga tujuh wilayah terkait, menghasilkan pertanyaan dengan crop perbesaran privileged, memfilter melalui kesepakatan lintas model dan uji drop-one-region, mengonversi menjadi tugas empat opsi, dan melatih dengan GRPO — ketiga ukuran model pada sekitar 20.000 contoh, tanpa tahap supervised fine-tuning. Itu adalah pola pelatihan yang terfokus. Metode ini secara andal memberikan persepsi tingkat wilayah dan tidak berpura-pura memberikan penalaran terbuka.

Kolom model referensi layak mendapat peringatan

Gambar hasil juga memuat tiga model API sebagai titik referensi: GPT-5.6-Luna pada 54,02, GLM-5.3-Flash pada 57,24, dan DeepSeek-V4.1-Flash pada 55,47, dibandingkan dengan ZwZ2-27B sebesar 60,51. Secara kasat mata, itu menempatkan checkpoint open-weights yang diunggah secara diam-diam di atas tiga model produksi yang dihosting.

Tiga hal seharusnya membuat pembacaan itu lebih hati-hati. Pertama, batasan serving dicatat di dalam kartu itu sendiri: resolusi gambar model-model canggih dibatasi oleh platform serving mereka, yang merupakan hambatan nyata pada set tolok ukur yang sarat dengan detail halus. Kedua, ini bukan evaluasi terbitan vendor-vendor tersebut sendiri — ini adalah inclusionAI yang menjalankan model-model perusahaan lain melalui harness inclusionAI, tanpa indikasi bahwa para vendor terlibat atau telah mengonfirmasi angka-angka tersebut. Ketiga, kolom GPT secara eksplisit ditandai sebagai tidak dilaporkan untuk beberapa baris, sehingga set referensi terisi secara tidak merata.

Tidak satu pun dari itu membuat angka-angkanya salah. Itu berarti angka-angka tersebut adalah pengukuran satu laboratorium terhadap para pesaingnya pada rangkaian benchmark di mana model miliknya sendiri mendapat sepuluh hari penyetelan tambahan. Perlakukan perbandingan model dasar sebagai yang bermakna dan kolom API sebagai konteks.

Apa yang masih kurang?

Daftar jujur atas hal-hal yang belum diketahui lebih panjang daripada daftar hal yang diketahui, dan daftar itu dimulai dari lisensi. Bagian depan kartu model menandai model dasar, dataset, dan tugas pipeline; bagian itu tidak menyatakan lisensi. Isi dokumennya menyebutkan untuk “merujuk pada lisensi yang menyertai bobot yang dirilis dan lisensi backbone yang berlaku,” yang bersifat sirkular ketika bobot itu sendiri tidak menyertakan lisensi apa pun. Qwen3.6-27B berlisensi Apache-2.0, jadi sisi backbone sudah jelas. Ketentuan derivatifnya tidak jelas, dan bagi perusahaan yang ingin menjadikannya bagian dari produk, satu kelalaian itu lebih berdampak daripada baris benchmark mana pun.

Makalahnya juga belum terbit. Header kartu itu sendiri berisi teks placeholder literal <!-- Replace PAPER_URL with the final v2 paper URL. --> dan tautan ke PAPER_URL. Repositori proyeknya ada; tulisan yang seharusnya menjadi tujuannya tidak ada.

Selain itu:

• Tidak ada evaluasi independen terhadap ZwZ2-27B dari siapa pun.

• Tidak ada pengumuman vendor, postingan blog, atau postingan media sosial yang ditemukan untuk model ini.

Evaluasi yang dipublikasikan menggunakan mode low/thinking — quickstart kartu berjalan dengan enable_thinking=False dan templat chat meminta jawaban di dalam tag <answer>. Angka untuk mode thinking bukan bagian dari klaim.

• Tidak ada dukungan framework di luar versi Transformers yang dipatok. Tidak ada GGUF, tidak ada AWQ, tidak ada konfigurasi vLLM yang dipublikasikan.

• Kartu ini mencantumkan mode kegagalan yang diketahui — detail yang dihalusinasikan, teks yang salah dibaca, kesalahan berhitung dan spasial — yang menunjukkan kejujuran yang lebih besar daripada yang ditawarkan sebagian besar kartu vendor, sekaligus ringkasan yang wajar tentang seperti apa nilai 12.00 pada Chartography dalam praktiknya.

Bagaimana cara mengevaluasinya tanpa mempertaruhkan apa pun padanya

ZwZ2-27B tidak ada di katalog kami, dan tulisan ini tidak boleh dibaca sebagai menyiratkan bahwa model itu ada. Untuk menjalankannya saat ini, Anda mengunduh 54 GB bobot, memasang build Transformers tertentu, dan menyajikannya sendiri — yang merupakan cara masuk akal untuk menghabiskan satu sore jika Anda sudah memiliki perangkat kerasnya, tetapi penggunaan waktu yang buruk jika Anda sedang mencoba menjawab pertanyaan produk minggu ini.

Urutan yang lebih murah adalah menguji klaimnya, bukan modelnya. Klaimnya sempit: bahwa RL pada dataset perbandingan wilayah dengan 20K contoh membuat checkpoint Qwen3.6-27B lebih baik dalam membaca detail halus tanpa alat zoom. Jika itu adalah hambatan sebenarnya Anda — dokumen padat, bagan, tangkapan layar UI, pertanyaan multi-wilayah — model dasar adalah kondisi kontrol, dan penerusnya sudah dapat dirutekan di sini: Qwen3.8-27B dan Qwen3.5-27B keduanya ada di OrcaRouter di balik satu kunci, di samping lebih dari 200 model lain dengan harga daftar penyedia tanpa markup. Jika ZwZ2-27B yang dihosting sendiri ternyata layak diadopsi, Anda dapat menempatkannya pada kunci yang sama dan membiarkan failover otomatis memutuskan antara model itu dan generalis yang dihosting, alih-alih menulis ulang integrasinya.

Yang akan mengubah ini dari “unggahan yang menarik” menjadi “model yang layak diadopsi” adalah daftar singkat. Lisensi yang disebutkan namanya. Makalah yang memungkinkan orang memeriksa konstruksi benchmark. Satu uji coba independen — bahkan yang parsial — pada benchmark yang tidak dipilih vendor. Dan sebuah pengumuman, yang setelah sebelas hari diam mulai terlihat seperti ketidakhadiran yang disengaja alih-alih kelalaian.

Sampai saat itu, pernyataan yang dapat dipertahankan memang sempit dan layak dikemukakan secara gamblang: sebuah checkpoint 27B yang tidak terdokumentasi dari inclusionAI telah berada di Hugging Face sejak 16 Oktober, dan per 26 Oktober para penulisnya bersedia mengklaim peningkatan lima poin dibandingkan Qwen3.6-27B pada rangkaian benchmark yang mereka buat sendiri. Itu adalah hipotesis yang disertai bobot. Itu belum menjadi sebuah hasil.