ZwZ2-27B vs ZwZ2-9B: cosa offre davvero il triplo dei parametri

Su esattamente un benchmark nella tabella di 25 test di inclusionAI, il modello più piccolo vince. Chartography — la lettura dei valori dai grafici — assegna a ZwZ2-9B un punteggio di 13,00 e a ZwZ2-27B un punteggio di 12,00. Entrambi sono bassi. Nessuno dei due è buono. Ma la direzione è la parte interessante, perché questi due modelli sono lo stesso esperimento in due dimensioni: una ricetta di addestramento, un dataset, un metodo da paper, applicati rispettivamente a un corpo Qwen3.5-9B e a un corpo Qwen3.6-27B. Se la ricetta è identica e il modello più grande vale tre volte i parametri, l'aritmetica di dove quella dimensione si manifesta davvero è più sorprendente di quanto suggeriscano i punteggi complessivi di testa.

Vale anche la pena dire in apertura che entrambi i modelli sono arrivati nello stesso modo silenzioso. Il repository di ZwZ2-9B è stato creato alle 03:42 UTC del 16 ottobre 2026; quello di ZwZ2-27B alle 05:42 della stessa mattina. Entrambi sono rimasti disponibili con i pesi e senza documentazione per dieci giorni, ed entrambi hanno ricevuto model card con tabelle di benchmark complete il 26 ottobre. Nessuno dei due dichiara una licenza. Nessuno dei due ha un articolo pubblicato — le card contengono ancora il segnaposto PAPER_URL.

Una ricetta, due corpi

Il metodo di addestramento non è semplicemente simile tra i due: è lo stesso metodo applicato a due backbone, il che li rende insolitamente semplici da confrontare. EvidenceConnect raggruppa da tre a sette regioni correlate provenienti da immagini SA-1B, genera domande utilizzando ritagli ingranditi privilegiati, filtra tali domande in base all'accordo tra modelli e a un test di eliminazione di una regione, converte quelle sopravvissute in attività a quattro opzioni e addestra con GRPO, senza alcuna fase di fine-tuning supervisionato. Entrambi i modelli utilizzano circa 20.000 esempi di addestramento.

I corpi differiscono nel solito modo:

• Scala — 9B parametri su 32 layer con dimensione nascosta di 4.096, rispetto a 27B su 64 layer con dimensione nascosta di 5.120.

• Attenzione — 16 teste query e 4 teste KV con dimensione 256 per il 9B, rispetto a 24 teste query e 4 teste KV con la stessa dimensione per il 27B.

• Feed-forward — dimensione intermedia 12,288 rispetto a 17,408.

• Vision — la stessa torre in entrambi: 27 livelli con dimensione nascosta di 1.152, che proiettano rispettivamente a 4.096 e 5.120.

• Contesto e vocabolario — identici in 262.144 posizioni e 248.320 token.

• Predizione multi-token — rimossa da entrambi, con mtp_num_hidden_layers impostato a 0.

• Modelli base — Qwen3.5-9B per quello piccolo, Qwen3.6-27B per quello grande. È questo il dettaglio che complica il confronto, e la sezione successiva spiega perché.

Da dove deriva realmente il divario complessivo di 3,92 punti

Ecco il risultato che non mi aspettavo prima di fare la sottrazione. Le medie complessive sono 60,51 per ZwZ2-27B e 56,59 per ZwZ2-9B — un divario di 3,92 punti. Ora guarda a quanto ciascuna ricetta ha aggiunto alla propria base, pubblicato nelle stesse tabelle, dallo stesso laboratorio, sullo stesso harness:

• ZwZ2-27B — Qwen3.6-27B base a 55,52, ottimizzato a 60,51. Guadagno di 4,99.

• ZwZ2-9B — Qwen3.5-9B base a 51,63, ottimizzato a 56,59. Guadagno di 4,96.

La ricetta produce un miglioramento quasi esattamente identico a entrambe le scale. Triplicare i parametri ha fruttato 0,03 punti di beneficio aggiuntivo dall'addestramento. E i modelli di base erano già distanti 3,89 punti prima che si intervenisse su uno dei due.

Quindi, del divario di 3,92 punti tra i modelli finiti, 3,89 punti sono stati ereditati dai checkpoint da cui erano partiti. La specializzazione non ha creato il divario. L'ha preservato quasi perfettamente.

Si tratta di un confronto all'interno di un singolo laboratorio e con un'unica infrastruttura di test, quindi la sottrazione è legittima in un modo in cui i confronti tra fornitori diversi non lo sono mai — ognuno di quei quattro numeri proviene dalla stessa tabella, prodotta dallo stesso codice di valutazione, sullo stesso insieme di benchmark. L'arrotondamento è sufficientemente grossolano che 0,03 non dovrebbe essere letto come precisione; la lettura onesta è “indistinguibile”.

In pratica, ciò significa che scegliere tra questi due modelli equivale quasi a scegliere tra Qwen3.5-9B e Qwen3.6-27B, con in più un aggiustamento percettivo fisso. Se non avresti scelto il modello base più grande per il tuo carico di lavoro, l'addestramento ZwZ2 non cambierà quella decisione.

Dominio per dominio: la dimensione si vede in un unico punto

Le medie nascondono la struttura, e qui la struttura è sbilanciata. Confrontando i due modelli ottimizzati nei sei domini:

• Percezione a grana fine — 67,57 per il 27B contro 66,02 per il 9B. Un divario di 1,55, il più piccolo dei sei.

Percezione spaziale — 55,98 contro 52,33. Un divario di 3,65.

• Ragionamento visivo generale — 53,71 contro 49,83. Un divario di 3,88.

• Ragionamento spaziale embodied — 55,71 contro 51,11. Un divario di 4,60.

• Comprensione dei contesti lunghi — 68,77 contro 64,08. Un divario di 4,69.

• Agenti multimodali — 51,81 contro 42,43. Un divario di 9,38.

Lo schema è coerente: il vantaggio del modello più grande all'incirca raddoppia quando il compito passa dal guardare un'immagine all'agire su di essa. Sugli otto benchmark di percezione a grana fine — quelli per cui il metodo era stato esplicitamente progettato — i due modelli sono entro un punto e mezzo l'uno dall'altro, con Chartography che va in controtendenza.

Il dominio agentico è quello in cui il 27B giustifica la propria impronta di memoria, e gran parte di quel divario deriva da un singolo test. UI-Vision assegna 66,66 a ZwZ2-27B e 45,48 a ZwZ2-9B — una separazione di 21,18 punti, maggiore di qualsiasi altra nella tabella. ScreenSpot-Pro e AgentVista aggiungono contributi più piccoli, con 70,59 contro 66,98 e 18,18 contro 14,83.

UI-Vision è un benchmark di interface grounding, e il risultato dice qualcosa di specifico anziché generale: se il tuo carico di lavoro consiste nel leggere e usare un'interfaccia software, il 27B sta facendo qualcosa che il 9B per lo più non riesce a fare. Se il tuo carico di lavoro consiste nel confrontare regioni contrassegnate su una fotografia o su una pagina di documento, il 9B fa quasi la stessa cosa con un terzo dei pesi.

L'unico test che il modello piccolo vince, e quanto dovrebbe contare

Vale la pena soffermarsi su Chartography proprio perché è l'eccezione che conferma quanto sia ristretta la specializzazione. Entrambi i punteggi sono pessimi — 13,00 e 12,00 su 100, rispetto a una base Qwen3.6-27B di 8,00 e a una base Qwen3.5-9B di 7,00. L'addestramento ha sollevato entrambi i modelli di circa cinque o sei punti su un compito che non riescono ancora a svolgere in modo affidabile, e il miglioramento del 9B è finito per un punto più in alto.

La conclusione corretta non è che il 9B sia migliore sui grafici. È che, su un compito così lontano dalla distribuzione di addestramento, la differenza tra i due modelli è rumore, e il comportamento ragionevole è indirizzare la lettura dei grafici altrove del tutto. Un modello che ottiene 12 o 13 in un benchmark sui grafici non ha una capacità sui grafici tra cui scegliere.

La stessa cautela vale per gli altri punteggi assoluti bassi. ZwZ2-9B ha una media di 42,43 negli agenti multimodali e di 18,18 su AgentVista; ZwZ2-27B ha una media di 51,81 e 18,18. Entrambi sono deboli nel lavoro agentico in termini assoluti, e il fatto che quello più grande sia molto meno debole non lo rende forte.

Che aspetto ha davvero l'impronta di memoria

La differenza di parametri è la parte che paghi ogni giorno. ZwZ2-9B è un singolo file safetensors da 9,41 miliardi di parametri, circa 19 GB in bf16. ZwZ2-27B è suddiviso in due shard a circa 54 GB. Aggiungi le attivazioni della vision tower e un budget KV da 262.144 posizioni, e la suddivisione pratica è:

• ZwZ2-9B — si adatta comodamente a un singolo acceleratore consumer da 24 GB in bf16, risicato ma utilizzabile; non esiste una versione quantizzata, quindi stai mantenendo la piena precisione a meno che tu non la quantizzi da solo.

• ZwZ2-27B — una scheda da 80 GB con margine, oppure due schede da 40 GB su uno split tensor-parallel stretto. Niente al di sotto di questo lo esegue in bf16.

• Supporto al serving: nessuno dei due repository fornisce una recipe per vLLM o SGLang. Entrambi fissano transformers==5.13.1 nella quickstart ed entrambi sono documentati solo in modalità non-thinking, con le risposte racchiuse in tag <answer>. Nessuno dei due dichiara una licenza, il che, per un deployment in produzione, rappresenta un ostacolo maggiore di entrambi i valori di memoria.

Quell'ultimo punto merita una frase a sé, perché è lo stesso da entrambe le parti: non c'è alcuna licenza da leggere. Le schede rimandano alla «licenza che accompagna i pesi rilasciati», e i pesi non ne contengono alcuna. Qualunque dimensione si scelga, la questione commerciale resta senza risposta.

Usare entrambi, invece di scegliere

La tabella dei domini suggerisce un schema a due livelli più di quanto suggerisca un vincitore. La percezione fine varia appena tra le dimensioni, quindi il 9B è un primo passaggio sensato in quel caso; il lavoro sulle interfacce agentiche si muove di oltre nove punti sulla media del dominio e di ventuno su UI-Vision, quindi quel traffico va sul 27B. Un router che instrada per tipo di attività spenderebbe la maggior parte dei token sul modello economico e riserverebbe quello costoso alle schermate.

Nessuna delle due dimensioni di ZwZ2 è nel nostro catalogo, quindi quel pattern oggi significa eseguire due checkpoint sul proprio hardware e scrivere da sé il dispatch. Il punto in cui si inserisce OrcaRouter è il lato generalista dello stesso stack: Qwen3.8-27B e Qwen3.5-27B sono entrambi instradabili qui dietro un'unica chiave al prezzo di listino del provider senza ricarichi, così il carico di lavoro che non richiede confronto tra regioni può passare a un modello ospitato con failover automatico mentre il traffico specializzato resta locale. È un'affermazione più limitata rispetto a «instradare ZwZ2 attraverso di noi», cosa che non possiamo offrire — ma è la parte dell'architettura che è effettivamente disponibile ora.

Il riassunto onesto è poco glamour. Due checkpoint, stessa ricetta, stesso silenzio, stessa licenza mancante, e un divario di prestazioni che è quasi interamente il divario preesistente dei modelli di base più una vera specializzazione in fascia alta per il lavoro sull'interfaccia. Se ti servono i numeri UI del 27B, ti servono il 27B e la scheda da 80 GB. Se no, il 9B ti porta entro un punto e mezzo sull'attività che l'intero progetto è stato creato per migliorare, e sta su hardware che probabilmente possiedi già.