ZwZ2-27B vs Qwen3.8-27B: Kerangka Sama, Dua Taruhan yang Sangat Berbeda

Hal yang aneh tentang ZwZ2-27B versus Qwen3.8-27B adalah bahwa kedua model itu adalah mesin yang sama. Buka kedua file konfigurasi dan angkanya sejajar baris demi baris: 64 lapis, ukuran tersembunyi 5.120, 24 query head berbanding 4 KV head pada dimensi 256, lebar feed-forward 17.408, kosakata 248.320 token, 262.144 posisi, dan menara visi 27 lapis dengan ukuran tersembunyi 1.152. Keduanya bahkan mendeklarasikan kelas arsitektur yang sama. Yang membedakan keduanya bukanlah lebar atau kedalaman. Melainkan apa yang dilakukan masing-masing lab terhadap tubuh itu setelahnya — dan, sejauh ini, belum ada yang mengadu keduanya untuk mencari tahu pilihan mana yang menang.

Ketiadaan itu adalah hal pertama yang perlu dikatakan secara terus terang. Evaluasi terbitan inclusionAI untuk ZwZ2-27B membandingkannya dengan GPT-5.6-Luna, GLM-5.3-Flash, dan DeepSeek-V4.1-Flash. Evaluasi itu tidak menyertakan Qwen3.8-27B, dan tidak menyertakan model Qwen apa pun yang lebih baru daripada model yang menjadi dasar pembuatan ZwZ2. Adapun Qwen, Qwen belum pernah menyebut ZwZ2 sama sekali. Setiap angka di bawah ini adalah hasil satu laboratorium yang mengukur dirinya sendiri, atau Qwen yang mengukur dirinya sendiri, dan tidak ada pihak ketiga yang menempatkan keduanya dalam satu harness.

Kerangka yang sama, baris demi baris

Perlu tepat mengenai seberapa dekat keduanya, karena cara membingkai “27B versus 27B” yang biasa meremehkan hal itu. Ini bukan dua model yang kebetulan berada pada skala serupa; ini adalah dua proses pasca-pelatihan atas arsitektur yang dapat dipertukarkan.

• Parameter — 27B untuk keduanya, dense, tidak ada perutean mixture-of-experts di kedua konfigurasi.

• Kedalaman dan lebar — 64 lapisan, ukuran tersembunyi 5.120, ukuran perantara 17.408, identik pada kedua file.

• Perhatian — 24 kepala kueri, 4 kepala KV, dimensi kepala 256, faktor rotari parsial 0,25, basis rotari 10.000.000.

• Jadwal lapisan — pola atensi linear-ke-penuh 3:1, 16 pengulangan, pada keduanya.

• Kosakata dan konteks — 248.320 token dan 262.144 posisi native, pada keduanya.

• Menara visi — 27 lapisan, ukuran tersembunyi 1,152, memproyeksikan ke 5,120, pada keduanya.

Konsekuensi praktisnya adalah pertanyaan perangkat keras menjadi pertanyaan yang sama bagi keduanya. Sekitar 54 GB bobot dalam bf16, satu kartu 80 GB dengan nyaman atau dua kartu 40 GB dengan mepet. Keduanya bukan model yang Anda jalankan di laptop, dan keduanya tidak memiliki rilis terkuantisasi di repositori masing-masing — ekosistem Qwen yang menghasilkan itu, dan ZwZ2 hampir tidak memiliki ekosistem sama sekali.

Satu baris yang berbeda, dan dua default yang lebih penting

Secara struktural hanya ada tepat satu perbedaan: Qwen3.8-27B menetapkan mtp_num_hidden_layers ke 1, mempertahankan kepala prediksi multi-token yang menurut Qwen dilatih dengan beberapa langkah. ZwZ2-27B menetapkannya ke 0. Model inclusionAI telah dipotong kepala speculative-decoding-nya, yang merupakan hal yang Anda lakukan ketika pipeline pelatihan Anda tidak menggunakannya dan Anda lebih memilih mengirim artefak yang lebih kecil dan lebih sederhana. Ini perbedaan urusan kerapian, bukan pernyataan desain.

Nilai default adalah titik di mana kedua model benar-benar berbeda, dan hal itu akan membentuk integrasi Anda lebih dari nilai konfigurasi apa pun.

Berpikir. Qwen3.8-27B berpikir sebelum menjawab secara default, menyediakan tiga tingkat upaya dengan xhigh sebagai default, dan dapat mempertahankan konteks penalaran dari giliran sebelumnya melalui preserve_thinking. ZwZ2-27B didokumentasikan dalam mode non-thinking: quickstart-nya meneruskan enable_thinking=False, template chat-nya meminta model menempatkan jawaban akhir di dalam tag <answer>, dan seluruh evaluasi 25 benchmark dijalankan dengan cara itu. Jika pipeline Anda mengharapkan respons sekali jalan, ZwZ2-27B sudah dirancang untuk itu dan siap pakai. Jika Anda ingin model bernalar melalui tugas lima puluh langkah, Qwen3.8-27B memiliki mekanisme untuk itu dan kartu ZwZ2-27B tidak mengklaim hal tersebut.

Modalitas. Qwen3.8-27B didokumentasikan untuk pemahaman gambar dan video, dengan pengambilan sampel video yang dikendalikan melalui lapisan penyajian. Konfigurasi ZwZ2-27B memuat sebuah video_token_id, tetapi kartu dan evaluasinya sepenuhnya membahas gambar diam dan perbandingan wilayah. Anggap video belum terbukti di sisi inclusionAI.

Apa yang sebenarnya bisa dibuktikan masing-masing pihak

Kedua vendor telah menerbitkan evaluasi. Keduanya tidak dapat dibandingkan, dan alasannya bukan karena pemasaran — melainkan karena kedua rangkaian pengujian itu mengukur hal yang berbeda.

Klaim ZwZ2-27B bertumpu pada 25 benchmark dalam enam domain perseptual, dinilai oleh inclusionAI, yang menggerakkan basisnya sendiri dari 55.52 menjadi 60.51. Angka absolut terkuat ada pada persepsi berbutir halus (rata-rata domain 67.57) dan pemahaman konteks panjang (68.77), sedangkan yang terlemah adalah Chartography pada 12.00 dan AgentVista pada 18.18.

Tabel yang dipublikasikan Qwen3.8-27B adalah rangkaian uji teks-dan-agen dengan bagian visi, dan Qwen menjalankannya terhadap pendahulunya sendiri. Beberapa selisih antara Qwen3.8-27B dan Qwen3.6-27B sangat besar:

• Coding terminal agentik — Terminal Bench 2.1 pada 73,0, dibandingkan dengan 63,4 untuk Qwen3.6-27B.

• Rekayasa perangkat lunak — QwenSWEBench pada 79,0 dibandingkan dengan 49,3, dan DeepSWE 1.1 pada 42,2 dibandingkan dengan 13,3.

• Penggunaan komputer — OSWorld-Verified pada 84,3 dibanding 63,9; WebArena-Verified pada 64,8 dibanding 48,8.

• Penggunaan seluler — AndroidWorld pada 81,9 dibandingkan 70,3.

• Rekayasa perangkat lunak multimodal — SWE-MM pada 38,6; RecreationBench pada 47,1 dibandingkan dengan 29,8.

• Penalaran ilmiah — GPQA Diamond pada 89,2 versus 87,8, dan HLE pada 30,8 versus 24,0.

Itu adalah angka Qwen sendiri pada harness milik Qwen sendiri, dan itu menunjukkan sesuatu yang sederhana: generasi 3.8 bukanlah kemajuan kecil dibandingkan 3.6. Dalam pekerjaan perangkat lunak agentik, peningkatannya diukur dalam puluhan poin, bukan satu digit.

Mengapa +4.99 dibandingkan 3.6 bukanlah angka sekitar 3.8

Inilah jebakan dalam perbandingan ini, dan mudah terjebak ke dalamnya. Peningkatan utama ZwZ2-27B adalah +4.99 dibandingkan Qwen3.6-27B. Qwen3.8-27B adalah model yang jauh lebih kuat daripada Qwen3.6-27B pada suite Qwen. Inferensi yang menggoda — bahwa peningkatan ZwZ2 menutup kesenjangan — tidak dapat disimpulkan, dan ada alasan mekanis mengapa hal itu tidak dapat diperiksa.

Anda tidak dapat mengurangi lintas run. 60,51 milik ZwZ2-27B adalah rata-rata akurasi atas 25 benchmark perseptual yang dipilih oleh inclusionAI; angka Qwen3.8-27B adalah skor pada kumpulan benchmark berbeda yang dipilih oleh Qwen. Model yang mendapat skor 60,51 pada satu suite dan model yang mendapat skor 84,3 pada tugas yang sepenuhnya berbeda tidak memberi tahu Anda apa pun tentang urutan relatifnya, dan artikel apa pun yang menempatkan angka-angka itu dalam satu kolom sedang mengarang peringkat yang tidak pernah diukur oleh siapa pun.

Apa yang dapat dikatakan memang lebih sempit, tetapi tetap berguna. ZwZ2-27B adalah intervensi tertarget pada model yang sejak itu telah digantikan oleh Qwen, dan besaran intervensi yang terdokumentasi — lima poin pada rata-rata perseptual — berada pada orde besaran yang sama dengan beberapa delta 3,6 hingga 3,8 milik Qwen sendiri pada tugas visi, serta jauh lebih kecil daripada delta-deltanya pada tugas agentik. Apakah spesialisasi ini menutup kesenjangan antargenerasi pada persepsi tingkat wilayah adalah tepat hal yang memerlukan harness bersama. Belum ada yang membangunnya.

Kolom referensi kartu itu memberi petunjuk mengapa sebuah jawaban mungkin ada. ZwZ2-27B mencetak skor 60.51, sementara inclusionAI mengukur GLM-5.3-Flash pada 57.24 dan DeepSeek-V4.1-Flash pada 55.47 — model yang di-hosting yang dikalahkannya pada suite yang dibangun di sekitar perbandingan wilayah, dengan kartu tersebut mencatat bahwa resolusi gambar model-model canggih dibatasi oleh platform penyajian mereka. Itu adalah hasil yang berbicara tentang suite itu sama seperti tentang model-modelnya. Itu bukan bukti tentang Qwen3.8-27B, yang tidak pernah hadir dalam ruangan itu.

Bagi sebagian besar tim, lisensi yang menentukan sebelum benchmark.

Qwen3.8-27B adalah Apache-2.0, yang dideklarasikan di bagian pembuka kartu model, dengan jumlah unduhan yang mencapai jutaan dan ekosistem adapter, fine-tune, serta kuantisasi di sekitarnya. ZwZ2-27B sama sekali tidak menyatakan lisensi. Kartunya merujuk pada “lisensi yang menyertai bobot yang dirilis dan lisensi backbone yang berlaku,” yang bersifat sirkular ketika bobot tersebut tidak membawa lisensi apa pun.

Bagi tim riset, itu hanya catatan kaki. Bagi perusahaan yang menempatkan model di balik produk, itu adalah garis penentu, dan selisihnya tidak tipis. Tulang punggung yang berlisensi Apache-2.0 tidak otomatis melisensikan turunan yang ketentuan sendiri belum dinyatakan — itu pertanyaan untuk penasihat hukum, dan sampai inclusionAI menjawabnya, pembacaan yang aman adalah bahwa ZwZ2-27B belum layak untuk penerapan komersial. Ketiadaan makalah memperparahnya: kartu tersebut masih memuat placeholder literal PAPER_URL, sehingga deskripsi metodenya hanyalah README dan skema dataset, tidak lebih.

Apa yang dapat Anda sebut hari ini

Qwen3.8-27B dapat dirutekan di OrcaRouter saat ini, di bawah satu kunci yang sama dengan katalog lainnya dan pada harga daftar penyedia tanpa markup — jadi jika Qwen mengubah harganya, perubahan itu langsung aktif di sini pada hari yang sama, bukan setelah siklus penetapan harga ulang. Model ini tercantum pada $0.33 per juta token masukan dan $2.40 per juta token keluaran, dengan 262.144 token konteks yang ditawarkan. Hal itu penting untuk perbandingan seperti ini, di mana eksperimenter yang lebih murah biasanya menang: Anda dapat melakukan benchmark Qwen3.8-27B terhadap beban kerja Anda sendiri sore ini tanpa unduhan atau GPU.

ZwZ2-27B tidak ada di katalog kami, dan tidak jujur untuk menyatakannya dengan lebih halus. Ini adalah artefak self-hosted 54 GB tanpa lisensi dan tanpa resep serving, dan satu-satunya cara untuk mengevaluasinya adalah menjalankannya. Jika nanti ia mendapat tempat di stack Anda, lapisan routing adalah tempat keduanya bertemu — satu endpoint, failover otomatis, dan kebijakan yang mengirim lalu lintas perbandingan wilayah ke model khusus dan sisanya ke model generalis, bukan menulis ulang.

Yang mana, berdasarkan beban kerja

Qwen3.8-27B adalah pilihan default yang bisa dipertahankan untuk hampir semua hal. Coding agentik, penggunaan alat dalam horizon panjang, kontrol komputer dan browser, penalaran umum, video — di situlah keunggulan yang dipublikasikan paling besar, dan ini satu-satunya dari keduanya yang bisa Anda rilis secara legal dan terapkan secara praktis hari ini.

ZwZ2-27B memiliki kasus yang lebih sempit: Anda sudah menjalankan pipeline kelas Qwen3.6-27B, hambatan Anda adalah detail terukur dalam dokumen, bagan, atau tangkapan layar antarmuka, dan gagasan menambahkan pemanggilan alat zoom-and-crop ke loop inferensi Anda tidak menarik. Itulah tepatnya masalah yang diklaim inclusionAI dapat diselesaikan — pelajari perbandingan di seluruh region bertanda pada waktu pelatihan sehingga inferensi tidak memerlukan alat. Jika model dasar adalah kondisi kontrol dalam harness Anda sendiri, uji lokal ZwZ2-27B terhadapnya adalah eksperimen yang murah dan terdefinisi dengan baik.

Yang tidak dapat dipertahankan adalah memperlakukan angka 60,51 dari vendor sebagai skor kemampuan umum, atau membandingkannya dengan angka Qwen3.8 mana pun seolah-olah keduanya berada pada satu skala. Keduanya tidak demikian, dan model yang dapat menyelesaikannya — sebuah harness bersama, yang dijalankan oleh pihak yang tidak memiliki kepentingan — belum diumumkan, sama seperti ZwZ2-27B itu sendiri.

Tiga pertanyaan yang benar-benar muncul dari perbandingan ini

Apakah ZwZ2-27B hanyalah Qwen3.6-27B dengan pelatihan tambahan?Secara arsitektur ya, hingga ke jadwal lapisan dan menara visi, dengan kepala prediksi multi-token dihilangkan. Secara perilaku, hal itu bergantung pada resep pasca-pelatihan yang inclusionAI jelaskan hanya pada tingkat README: kelompok wilayah berisi tiga hingga tujuh, pertanyaan dihasilkan dari crop istimewa, disaring berdasarkan kesepakatan lintas model dan uji drop-one-region, lalu GRPO pada sekitar 20.000 contoh tanpa tahap supervised fine-tuning. Itu adalah deskripsi suatu metode, bukan reproduksi.

Apakah keunggulan ZwZ2-27B akan bertahan saat dihadapkan dengan Qwen3.8-27B pada tugas-tugas persepsi? Tidak diketahui, dan tidak dapat diketahui dari catatan yang ada saat ini. Bagian visi Qwen3.8-27B lebih berbobot pada penggunaan komputer, penggunaan peramban, dan rekayasa perangkat lunak multimodal, bukan pada perbandingan tingkat wilayah, sehingga bahkan tabel milik Qwen sendiri tidak menjawab pertanyaan yang diajukan oleh klaim ZwZ2.

Apakah perubahan default mode thinking mengubah perbandingannya? Ya, lebih dari yang disiratkan oleh selisih benchmark. ZwZ2-27B dievaluasi dan didokumentasikan sebagai model single-pass non-thinking; Qwen3.8-27B dibangun dengan reasoning effort yang dapat disesuaikan. Untuk panggilan persepsi yang sensitif terhadap latensi, itu menguntungkan desain ZwZ2-27B, dan untuk apa pun yang membutuhkan pertimbangan mendalam, itu menguntungkan Qwen3.8-27B — tetapi keduanya diukur dengan pengaturan generasi yang berbeda, jadi angka benchmark juga membawa perbedaan itu.