ZoomGain-9B vs Qwen 3.8 8B: Non esiste alcun Qwen3.8-8B, e questo è l'articolo

Cerca "Qwen 3.8 8B" e troverai pagine di confronto, link per il download e una mezza dozzina di articoli che lo trattano come un modello già in distribuzione. Non lo è. La generazione Qwen3.8 di Alibaba contiene quattro checkpoint aperti — Qwen3.8-27B, la sua versione FP8, Qwen3.8-2.4T-A95B e Qwen3.8-Flash-Next — e nessuno di essi è un 8B. Lo slot 8B nella gamma Qwen è occupato da Qwen3-8B, un modello della generazione Qwen3 del 2025, che è un'architettura diversa, un tokenizer diverso e un'epoca diversa. Quindi la versione onesta di questo confronto è tra ZoomGain-9B, il checkpoint visione-linguaggio da 9B pubblicato da inclusionAI il 10 novembre 2026, e i due modelli Qwen che esistono davvero a una dimensione comparabile: Qwen3.8-27B, il più piccolo membro dense della generazione 3.8 con 27 miliardi di parametri, e Qwen3.5-9B, il modello base da cui è stato post-addestrato ZoomGain-9B.

Quella correzione non è un dettaglio tecnico da liquidare prima della parte interessante. Cambia la risposta. Qwen3.5-9B è il modello base su cui è stato addestrato ZoomGain, quindi è la cosa più vicina a un esperimento controllato in tutta questa release: stessi pesi, stessa architettura, stesso tokenizer, 9.000 campioni RL di differenza. Qwen3.8-27B è tre volte più grande e due generazioni più recente, ed è il modello che sceglieresti effettivamente al posto di ZoomGain se volessi un endpoint Qwen oggi. Il confronto con entrambi ti dice qualcosa che il fantomatico 8B non avrebbe mai potuto dire.

Perché la voce fantasma esista in primo luogo

La scelta dei nomi non è casuale. Qwen ha rilasciato 27B e 2.4T-A95B il 5 e l'8 agosto 2026, poi Flash-Next il 24 agosto. La generazione precedente, Qwen3.5, aveva un 9B e un 4B; Qwen3.6 aveva 27B e 35B-A3B. Ogni generazione da Qwen3 in poi ha incluso un piccolo modello dense, e la generazione 3.8 è la prima a saltarne uno. Chiunque cerchi uno schema nei tre rilasci precedenti prevedrebbe ragionevolmente un Qwen3.8-9B, e un Qwen3.8-8B è a una cifra da quella previsione.

Ciò che in realtà colma il divario è la distillazione comunitaria. I checkpoint Qwen3.8-9B-Distill sono comparsi sull'Hub da laboratori indipendenti entro una settimana dal rilascio del 27B, e sono seguiti derivati di quei derivati. Sono modelli piccoli addestrati sugli output di Qwen3.8, non modelli Qwen3.8. Se una pagina che hai trovato descrive "Qwen 3.8 8B" con numeri di benchmark, la spiegazione più probabile è che stia descrivendo uno di quelli, oppure che non stia descrivendo nulla.

La conseguenza pratica: se ti serve un modello piccolo della famiglia Qwen, le opzioni reali attuali sono Qwen3.5-9B da 9B e Qwen3.5-4B da 4B, entrambi di febbraio 2026, entrambi Apache 2.0, entrambi ancora tra i modelli più scaricati sull'Hub. ZoomGain-9B è basato sul primo di essi.

L'esperimento controllato che il rilascio fornisce accidentalmente

La configurazione di Qwen3.5-9B e quella di ZoomGain-9B hanno la stessa struttura: 32 layer, dimensione nascosta 4.096, dimensione intermedia 12.288, 16 teste query rispetto a 4 teste KV con dimensione per testa 256, 262.144 posizioni massime e lo stesso schema 3:1 tra DeltaNet lineare e attenzione completa. La torre di visione è quella del modello base. Nulla dell'architettura è cambiato.

Ciò che è cambiato è il post-training. ZoomGain ha applicato GRPO a 9.000 domande generate estraendo dettagli ritagliati, per un'epoca, con otto rollout per domanda. Questo è l'intero intervento, e il suo effetto misurato su ZoomGainBench è da 32,13 a 55,48 — un salto di 23,35 punti su un benchmark costruito con la stessa pipeline dei dati di addestramento, che il paper etichetta onestamente come "Held-in".

Il numero che sopravvive a quella riserva è la media hold-out su tredici benchmark che il training non ha mai visto: 59,75 per Qwen3.5-9B, 66,10 per ZoomGain-9B. Un guadagno di 6,35 punti da 9.000 campioni, sugli stessi pesi. Nella famiglia specifica a cui punta il rilascio, le variazioni sono maggiori: HR-Bench 4K da 82,13 a 90,25, V*Bench da 86,91 a 93,19, VisualProbe da 44,66 a 56,31.

• Il risultato negativo interessante — MMStar passa da 71.73 a 73.87, e BabyVision da 15.98 a 17.53. La competenza multimodale generale cambia appena. L'addestramento ha fatto acquisire dettagli fini e poco altro, che è ciò che dovrebbe fare un run RL mirato da 9.000 campioni.

• L'avvertenza onesta: tutto quanto sopra è riportato dagli autori sul loro harness. Nessuno al di fuori di Ant Group lo ha riprodotto. Il valutatore e il benchmark sono pubblici, quindi è verificabile, ma non è stato verificato.

Qwen3.8-27B, e la riga che lo colloca nella stessa tabella

Qui il confronto diventa concreto, perché il paper ZoomGain ha effettivamente valutato Qwen3.8-27B sul proprio benchmark. Il 27B ottiene 44,81 complessivo su ZoomGainBench — dietro il 48,65 di Kimi-K3, il 55,05 di Qwen3.8-Flash-Next e ogni modello frontier closed-source nella tabella. Su questa misura, è un percettore di dettagli fini competente ma non eccezionale.

Se lo si confronta con il 55,48 di ZoomGain-9B nello stesso test, il calcolo appare sorprendente: un modello da 9B che supera di 10,7 punti un modello da 27B della stessa famiglia, su un benchmark che il marketing di nessuno dei due fornitori sceglierebbe. Ma è esattamente il confronto a cui va apposta l’etichetta held-in, e il paper la appone. ZoomGainBench è stato costruito dalla pipeline che ha costruito i dati di addestramento di ZoomGain. Un modello addestrato sulle domande di quella pipeline ha visto la distribuzione; un modello valutato su di essa no. Il divario di 10,7 punti è un’affermazione sull’aderenza alla distribuzione, non sulla capacità.

Laddove i due possono essere confrontati senza quella distorsione, il quadro si inverte. La scheda tecnica ufficiale di Qwen3.8-27B riporta Terminal Bench 2.1 a 73,0, SWE-bench Pro a 61,7, LiveCodeBench v6 a 90,3, GPQA Diamond 89,2 e HLE 30,8. ZoomGain-9B non è stato valutato su nessuno di questi benchmark e non ci si aspetterebbe che se la cavi bene: il suo addestramento non ha mai riguardato codice, attività da terminale o scienza a livello universitario. Qwen3.8-27B accetta inoltre nativamente immagini e video, offre una finestra di contesto di 262.144 token estendibile a un milione e supporta il controllo del pensiero tramite `reasoning_effort`, una capacità che ZoomGain-9B non possiede affatto, poiché la sua valutazione viene eseguita con il pensiero disabilitato.

• Dimensioni e struttura — Qwen3.8-27B è un modello dense da 27B con 64 layer, hidden 5.120, intermediate 17.408 e una testa di predizione multi-token a 1 layer. ZoomGain-9B è di circa 9,4B con 32 layer e hidden 4.096.

• Disponibilità — Qwen3.8-27B ha 7,4 milioni di download, una licenza Apache 2.0, build FP8 e GGUF e un endpoint ospitato. ZoomGain-9B non ha alcun endpoint ospitato, ha una mappatura dei provider vuota sull'Hub, una licenza rimandata a una scheda senza tag di licenza e build GGUF dell'11 novembre come unica distribuzione oltre a BF16.

• Date di rilascio — Qwen3.8-27B: 5 agosto 2026, un lancio completo con un post sul blog e un rapporto tecnico. ZoomGain-9B: 10 novembre 2026, un paper e un repository e nient'altro. Il divario di tre mesi conta meno del fatto che uno dei due sia in uso in produzione da agosto.

Il prezzo di ogni tratta, e quello che possiamo davvero venderti

Qwen3.8-27B è nel catalogo OrcaRouter a 0,33 $ per milione di token di input e 2,40 $ per milione di token di output, con una finestra di contesto di 262K, input di testo, immagini e video, e uno 0% di ricarico sul prezzo di listino del provider — il numero che compare nella pagina del nostro modello è il numero che Q​wen addebita, passato così com'è, quindi una variazione di prezzo del fornitore è attiva qui lo stesso giorno anziché dopo un ciclo di riprezzamento. La stessa chiave dà inoltre accesso a Qwen3.8-Flash e Qwen3.8-Max se il 27B si rivela la dimensione sbagliata, e il failover fa sì che un endpoint bloccato riprovi su un provider prima che la risposta inizi anziché dopo il timeout della tua richiesta.

ZoomGain-9B non è nel catalogo e non può essere chiamato tramite noi. Sono 18,82 GB in BF16, oppure 5,63 GB a Q4_K_M più un proiettore mmproj da 0,52 GB, servito con vLLM 0.19.1 e transformers 5.7.0 oppure con una build di llama.cpp con supporto multimodale Qwen3.5. Anche Qwen3.5-9B non è nel catalogo, e vale la pena dirlo chiaramente: la versione ospitata economica di questo confronto non esiste nemmeno da parte nostra.

Se la tua domanda effettiva è "dovrei eseguire ZoomGain-9B invece di pagare per un endpoint Q​wen?", il confronto dei costi non è vicino in nessuna delle due direzioni e non deve esserlo. Un modello dense da 27B a 0,33 $ per milione di token di input costa meno che possedere una GPU per quasi qualsiasi volume tu definiresti occasionale. L'auto-hosting di un 9B vince solo quando il volume è alto, i dati non possono uscire dalla tua rete, o il compito è quell'unica cosa specifica per cui il 9B è stato addestrato.

Quando il modello fantasma avrebbe contato

C'è una vera lacuna nella gamma Q​wen, e vale la pena nominarla perché spiega perché così tante persone abbiano cercato questo confronto. Un modello dense da 9B con una finestra di 262K e un vocabolario della generazione Qwen3.8, venduto a un prezzo vicino a quello di Qwen3.5-9B, sarebbe la scelta economica ovvia per pipeline a forte componente di immagini — più economico del 27B, più capace del 4B e abbastanza piccolo da poter essere ospitato in autonomia su una singola scheda. Q​wen non ne ha rilasciato uno, quindi lo slot attualmente è coperto o dal più vecchio Qwen3.5-9B o da una distillazione della community senza alcun vendor alle spalle.

ZoomGain-9B non è nemmeno quel modello, e la distinzione è importante. È uno specialista della percezione, con una questione di licenza di ricerca e nessun percorso ospitato, non un piccolo Q​wen general-purpose. Se da "Q​wen 3.8 8B" volevi un generalista economico, ZoomGain-9B ti deluderà su tutto tranne che sui dettagli più fini. Se invece volevi un modello in grado di trovare il numero di serie in una fotografia 4K, è uno dei pochi checkpoint di piccole dimensioni creati appositamente per questo.

Per il caso generalista, i sostituti realistici sono la linea ospitata Q​wen3.5 — 35B-A3B a 0,057 $ per milione di token di input, 27B a 0,086 $ — che occupano lo slot di budget che l'8B mancante avrebbe riempito, con un footprint maggiore e un endpoint reale. Per il caso della percezione, non esiste un sostituto ospitato che possiamo offrire: Qwen3-VL-8B-Instruct a 0,18 $ di input e 0,70 $ di output per milione di token accetta immagini e funge da sostituto per verificare se i tuoi errori sono errori di dettaglio, ma non è stato addestrato come ZoomGain e non sarà all'altezza sui ritagli.

Cosa fare con questo, concretamente

Se sei arrivato qui in cerca di un verdetto su ZoomGain-9B vs Qwen3.8-8B, il verdetto è che l'avversario non esiste e che qualsiasi pagina te ne abbia fornito uno ha inventato metà del confronto. Le due domande reali sono più circoscritte ed entrambe hanno una risposta oggi.

Domanda uno: un fine-tune da 9B di Qwen3.5-9B è migliore di Qwen3.5-9B nella percezione a grana fine? Secondo i numeri degli autori, sì, di 6,35 punti sul set held-out e di molto di più sui benchmark a cui puntava l'addestramento. È un risultato forte per 9.000 campioni e la cosa più interessante del rilascio.

Domanda due: ZoomGain-9B è migliore di Qwen3.8-27B in qualcosa che conti per te? Sulle capacità generali, no — il 27B è più recente, più grande, meglio documentato, con licenza, ospitato e valutato su molti più assi. Su un benchmark costruito sulla distribuzione di addestramento di ZoomGain stesso, ottiene 10,7 punti in più, il che ti dice che l'addestramento ha funzionato e non ti dice nulla su quale modello acquistare.

La decisione che segue è poco glamour. Usa un modello Q​wen ospitato per il lavoro generale, perché costa 0,33 $ per milione di token di input e arriva con una sola chiamata API. Scarica ZoomGain-9B solo se hai un lavoro specifico di precisione, una GPU e un avvocato che abbia letto un file di licenza che il fornitore non ha pubblicato.