ZwZ2-9B vs Qwen3.8-27B: Slot Kecil yang Dibiarkan Terbuka oleh Generasi Qwen Baru

Generasi Qwen3.8 dirilis dengan model dense 27B pada 5 Agustus 2026, sebuah mixture-of-experts berparameter 2,4 triliun pada 8 Agustus, dan varian Flash-Next pada 24 Agustus. Generasi ini tidak menyertakan 9B. Artinya, ujung kecil dari jajaran saat ini masih diisi oleh Qwen3.5-9B, sebuah checkpoint dari 27 Februari 2026 — dan itu berarti ZwZ2-9B, yang diposting oleh inclusionAI pada 16 Oktober 2026, berada di atas stack Qwen3.5 terbaru yang tersedia pada ukuran tersebut. Bandingkan dengan Qwen3.8-27B dan Anda tidak sedang membandingkan dua model dari satu keluarga. Anda sedang membandingkan selisih sekitar delapan belas miliar parameter di dalam satu arsitektur, karena generasi 3.8 tidak pernah mengganti namanya.

Hal pertama yang perlu dipahami adalah bahwa ini bukan persaingan dalam pengertian biasa mana pun. Qwen3.8-27B adalah produk jadi dengan lisensi, API yang dihosting, evaluasi yang dipublikasikan, dan tujuh juta unduhan dalam sebulan terakhir. ZwZ2-9B adalah checkpoint turunan yang tidak terdokumentasi di sebuah repositori tanpa README. Pertanyaan yang berguna lebih sempit dan lebih praktis: jika model 27B adalah yang Qwen ingin Anda jalankan, apa tepatnya yang Anda beli dengan tetap memakai 9B, dan apa yang diwarisi checkpoint yang lebih murah dari generasi di atasnya?

Arsitekturnya tidak pernah berubah — hanya skalanya yang berubah

Inilah temuan yang membuat perbandingan ini layak ditulis, dan hal itu terlihat di dua berkas konfigurasi. Qwen3.8-27B mendeklarasikan pengenal arsitekturnya sebagai qwen3_5. ZwZ2-9B juga demikian. Jenis model yang sama, nama kelas yang sama, desain atensi yang sama, garis keturunan tokenizer yang sama — berbeda satu generasi, dan labelnya tidak pernah bergeser.

Abaikan pengenalnya dan kemiripan keluarganya pun lengkap. Keduanya menggunakan pola tiga-berbanding-satu yang sama antara lapisan linear-attention dan lapisan full-attention. Keduanya mencadangkan kosakata 248.320 token dan menetapkan batas maksimum konteks 262.144 posisi. Keduanya menggunakan M-RoPE berselang-seling dengan pembagian seksi yang sama dan basis rotary 10.000.000 yang sama. Keduanya membawa menara visi yang tepatnya terdiri atas 27 lapisan pada ukuran tersembunyi 1.152 dengan 2.304 embedding posisi. Qwen3.8 bukanlah desain baru yang menggantikan Qwen3.5. Ini adalah desain yang sama pada dimensi yang lebih besar, dan Qwen3.8-27B menyatakannya dalam konfigurasinya sendiri.

• Parameter — ZwZ2-9B: 9,409,813,744. Qwen3.8-27B: 28 miliar sesuai kartunya, yang konfigurasinya menetapkan 64 lapisan pada ukuran tersembunyi 5,120 dibandingkan 32 lapisan pada 4,096.

• Pengenal arsitektur — qwen3_5 pada keduanya. Kelas yang sama, jadwal atensi yang sama.

• Kosakata — 248.320 pada keduanya, termasuk id token gambar dan video.

• Batas konteks — 262.144 posisi dinyatakan di keduanya, dengan versi hosted Qwen yang mencapai 1 juta.

• Menara visi — 27 lapisan pada ukuran tersembunyi 1.152 di keduanya; proyeksi melebar dari 4.096 menjadi 5.120 agar sesuai dengan stack bahasa.

• Default penalaran — ZwZ2-9B menjawab tanpa berpikir kecuali diminta. Qwen3.8-27B berpikir secara default, dengan upaya penalaran yang dapat disesuaikan.

• Lisensi — tidak ada yang dideklarasikan vs Apache-2.0.

• Bukti — file konfigurasi vs kartu model, hasil evaluasi, API yang dihosting, dan 198 adaptor yang dipublikasikan.

Apa yang 27B berikan kepada Anda yang tidak diberikan oleh turunan 9B

Hal pertama adalah izin. Qwen3.8-27B berlisensi Apache-2.0 dengan pemberian izin yang eksplisit, dapat di-deploy di Azure dan SageMaker sesuai tag miliknya sendiri, dan dilayani melalui API resmi Qwen yang dihosting dengan konteks 1 juta token pada versi terkelola. ZwZ2-9B sama sekali tidak mendeklarasikan lisensi, yang merupakan masalah berbeda dari lisensi yang restriktif — ini adalah ketiadaan pemberian izin, bukan pemberian yang sempit, dan ini adalah risiko terbesar dalam mengadopsinya.

The second is reasoning control. Qwen3.8-27B's chat template exposes three reasoning-effort levels with a default of the highest, instructs the model accordingly, and supports preserving reasoning context across turns. It also keeps the Qwen convention of thinking by default. ZwZ2-9B has none of this machinery, and its template inverts the default — it emits an empty <think></think> block unless you explicitly pass a flag, which means the model answers directly and cheaply, and gives you no dial to turn when a question deserves more thought.

Yang ketiga adalah ekosistem, yang paling jarang dibahas dan paling menjadi tumpuan. Hub mencantumkan 198 adapter, 553 fine-tune, 24 merge, dan 1.472 kuantisasi yang dibangun di atas Qwen3.8-27B, ditambah seratus Spaces. Itu adalah kumpulan karya orang-orang yang bukan Qwen, yang menggambarkan bagaimana model berperilaku pada masalah nyata. ZwZ2-9B tidak memiliki satu pun darinya, dan belum bisa memilikinya — usianya baru beberapa jam.

Apa yang masih Anda dapatkan dengan menginap di 9B

Ada alasan slot kecil itu belum sepi. Qwen3.5-9B, checkpoint yang menjadi dasar ZwZ2-9B, mencatat 8,591,266 unduhan dalam sebulan terakhir — lebih banyak daripada 7,363,968 milik model unggulan 27B pada periode yang sama. Ukuran 9B adalah tempat banyak sekali pekerjaan nyata berlangsung: ini adalah model terbesar yang muat dengan nyaman di satu akselerator konsumen, ini adalah ukuran yang tim fine-tune ketika mereka menginginkan bobot mereka sendiri alih-alih API, dan di sinilah turunan tak terdokumentasi seperti ZwZ2-9B bisa secara masuk akal menjadi menarik, karena hal yang diwarisinya telah dibaca oleh jutaan orang.

Menghapus kepala prediksi multi-token juga bukan kerugian yang jelas. Konfigurasi ZwZ2-9B menetapkan mtp_num_hidden_layers ke 0 sedangkan Qwen3.5-9B memilikinya 1, yang menghapus kepala speculative-decoding dan sekitar seperempat miliar parameter bersamanya. Apa pun yang dimaksudkan oleh proses pelatihan itu, artefak yang Anda unduh adalah model yang lebih sederhana daripada induknya, dan yang lebih sederhana lebih mudah dinalar ketika Anda tidak dapat membaca kartu.

Dan jalur visi sama di kedua arah: 27 lapisan pada ukuran tersembunyi 1.152, tabel embedding 2.304 posisi, prosesor video yang menangani hingga 768 frame pada 2 frame per detik. Jika Anda memerlukan masukan gambar, 9B tidak menyerahkannya ke 27B.

Bagaimana tampilannya jika Anda memilih endpoint, bukan checkpoint

Jawaban praktis untuk sebagian besar tim bukanlah salah satu atau yang lain, dan sisi hosted-nya sudah pasti dengan cara yang tidak dimiliki sisi open-weights. Qwen3.8-27B dapat dirutekan di OrcaRouter sebagai qwen/qwen3.8-27b — konteks 262K token, masukan teks, gambar, dan video, keluaran teks, dengan $0,33 per juta token masukan dan $2,40 per juta keluaran. Itu adalah harga daftar penyedia yang diteruskan dengan markup 0%, jadi ketika Qwen mengubah harga, angka di sini berubah pada hari yang sama alih-alih pada pembaruan katalog berikutnya, dan ini berada di sebelah qwen/qwen3.8-flash dan qwen/qwen3.8-max pada kunci yang sama jika Anda ingin membandingkan tingkatan berdasarkan lalu lintas Anda sendiri alih-alih pada tabel benchmark seseorang.

ZwZ2-9B tidak ada dalam katalog itu dan kami tidak akan menyiratkan sebaliknya — ini adalah unduhan Hugging Face tanpa endpoint penyajian yang diterbitkan oleh vendornya, dan inclusionAI mendistribusikan melalui saluran milik vendor itu sendiri. Jika Anda menginginkan pengganti terkelola untuk slot multimodal kecil sementara Anda mengevaluasi checkpoint tersebut, qwen/qwen3-vl-8b-instruct adalah model visi-bahasa 8B dengan konteks 131K token seharga $0,18 dan $0,70 per juta token, terdokumentasi dan berlisensi. Tempatkan kandidat di belakang antarmuka yang sama dengan incumbent dan membandingkan keduanya hanya memerlukan satu string model; itulah keseluruhan argumen untuk merutekan model yang belum Anda yakini alih-alih mengintegrasikannya.

Pertanyaan generasi, dijawab dengan jujur

Tidak ada benchmark di mana ZwZ2-9B mengalahkan Qwen3.8-27B, karena tidak ada benchmark di mana ZwZ2-9B diukur sama sekali. Model 28B dengan kartu teknis dan checkpoint 9.4B dengan file konfigurasi tidak bersaing; salah satunya telah dievaluasi dan salah satunya telah dideskripsikan. Siapa pun yang menghasilkan hasil adu langsung minggu ini sedang mendeskripsikan kesan mereka sendiri tentang model yang mereka unduh pagi ini.

Yang benar-benar baru di sini adalah silsilahnya, dan itu layak dinyatakan secara gamblang karena mudah terlewat. Generasi Qwen3.8 tidak mengganti arsitekturnya; ia menskalakannya. Qwen3.8-27B dan ZwZ2-9B merujuk pada pengenal arsitektur yang sama, berbagi kosakata, berbagi plafon konteks, berbagi jadwal atensi, dan berbagi menara visi hingga jumlah layer dan lebar tersembunyi. Itu pengetahuan yang berguna untuk kedua arah: ia memberi tahu Anda seperti apa rasanya checkpoint 9B pada tumpukan ini, dan memberi tahu Anda bahwa jarak antara ujung kecil dan ujung besar keluarga Qwen adalah soal derajat, bukan perubahan spesies.

Jadi, putusan jujurnya soal ZwZ2-9B versus Qwen3.8-27B adalah bahwa yang 27B adalah model yang bisa Anda jadikan dasar perencanaan, dan turunan 9B adalah yang layak dipantau. Baca konfigurasinya, jalankan tugas Anda sendiri terhadapnya, dan tunggu lisensi sebelum ia menyentuh apa pun yang penting.

Tidak ada satu pun dari itu yang hipotetis: kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda status diperdebatkan.