ZwZ2-27B：重みは10月16日に公開、説明はその10日後に到着

ZwZ2-27Bは2026年10月16日からHugging Faceでダウンロード可能になっている。一般公開から最初の10日間は、告知も論文もREADMEも明示されたライセンスもなく、inclusionAIの下にある2つのbf16 safetensorsシャードと、なぜ存在するのか一切説明のないリポジトリがあるだけだった。10月26日、モデルカードが登場した。それによると、このモデルはQwen3.6-27Bを基盤として構築された、強化学習で訓練された視覚言語システムであり、25個のベンチマークによる評価を公開していて、その中でこのモデルはベースモデルを総合で4.99ポイント上回っている。

新しいのはそれだけであり、人々が起きたと決めてかかることとは切り分けて考える価値がある。これはローンチではない。重みは11日前のもので、ベンダーはまだそれらを発表していない。今週変わったのは、inclusionAIがこのモデルを何のためにあると考えているのかを、ようやく読めるようになったことだ。

日付ごとに実際に何が変わったのか

リポジトリ自体のコミット履歴こそが入手できる最も明確な証拠であり、それはこの話を都合よく飾るものではない。すべてを物語るのは3つのコミットだ：

• 10月16日 05:42 UTC — 初回コミット、その10分後に「Add ZwZ2-27B model weights」。設定、トークナイザー、プロセッサ、および2つの重みシャード。READMEなし。

• 10月26日 02:58 UTC —「Create README.md」。モデルについて最初に書かれた説明で、重みの公開から10日後のこと。

• 10月26日～27日 — ベンチマークの数値と画像アセットをまとめる中で、READMEの改訂と6ファイルのアップロードが繰り返された。

執筆時点で、このリポジトリのダウンロード数は7、いいねは0だ。併設のGitHubプロジェクトinclusionAI/Zooming-without-Zooming-v2は10月14日に作成され、スターは1つ。モデル名を英語で検索しても、旧ZwZ-2B/4B/8Bファミリーと10月16日のZwZ2-9Bに関する記事しか見つからず、27Bについては何も出てこない。ここでローンチが行われたとしても、観客なしで行われたことになる。

設定ファイル内のモデル

設定ファイルは、どのリリースにおいても最も地味で、最も信頼できる部分です。これは、アーキテクチャ宣言が Qwen3_5ForConditionalGeneration である密な視覚言語モデルを記述しています。これは Qwen 自身のモデルが使用しているのと同じクラスで、次の数値を持ちます:

• テキストタワー — 隠れ層サイズ5,120、64層、ヘッド次元256で24のクエリヘッドと4のKVヘッド、フィードフォワード幅17,408。

• アテンション配置 — 線形アテンション層とフルアテンション層の3:1比で、16回繰り返し、インターリーブされたM-RoPEと10,000,000のロータリーベースを備える。

• 語彙とコンテキスト — 248,320トークン、262,144ネイティブ位置。

• ビジョンタワー — 隠れサイズ1,152で27層、5,120に射影、パッチサイズ16、2×2の空間マージ付き。

• マルチトークン予測 — mtp_num_hidden_layers を0に設定、つまり Qwen バックボーンに対して MTP ヘッドが削除されています。

その最後の行だけがベースとの唯一の構造的違いです。それ以外のすべて — レイヤー数、ヘッドジオメトリ、語彙、コンテキスト上限、視覚深度 — はQwen3.6-27Bと正確に一致します。ZwZ2-27Bは、異なる事後学習レジームを持ち、投機的デコーディング用ヘッドを1つ外した同じ本体です。

これはモデルが小規模ではないことも意味します。bf16で27Bパラメータの場合、重みは2つのシャードにまたがって約54 GBになり、単一の80 GBアクセラレータでは余裕のあるロード、2枚の40 GBカードにまたがる場合はぎりぎりのロードになります。リポジトリには量子化版も、vLLMやSGLangのレシピもなく、Hugging Face transformersのバージョン5.13.1に固定されたクイックスタート以外のサービングに関する注意事項もありません。

+4.99という主張と、それが正確に何を対象としているのか

カードの見出しは、6つのドメインにまたがる25のベンチマークにおいて、そのモデルが「あらゆるベンチマークでベースモデルを上回る」と述べており、全体の平均を55.52から60.51へ押し上げている。その文のどちらの半部分も、公表された結果の図と照らし合わせて確認できるが、どちらにもただし書きが必要だ。

留保すべき点は、これが inclusionAI 自身のハーネス、自身のベンチマーク選定、自身のスコアリングであり、自社リポジトリで公開されているということだ。ここにある内容は組織外で再現されていない。これは通常の意味でのベンダー評価であり、チームが何を最適化したかを見るには有用だが、独立した格付けとしては使えない。

もう一つの限定条件は規模です。25ベンチマークの平均における4.99ポイントの向上は確かな動きですが、その平均は大きく異なるタスク間の精度を平均したものであり、ドメインごとに等しく重み付けされています。これは能力指標ではなく、別のスイートのスコアと比較してはなりません。

ドメイン別の内訳です。ベースとチューニング済みの比較:

• 細粒度の知覚 — 62.09から67.57へ、VStar、HR-8K、MME-RealWorldを含む8つのベンチマークで5.48の向上。

• 空間認識 — 49.72から55.98へ、6つのベンチマーク全体で6.26の向上。

• 長文コンテキスト理解 — 65.87から68.77へ、3つのベンチマーク全体で2.90の向上。

• 身体化された空間推論 — 50.17から55.71へ、3つのベンチマーク全体で5.54の向上。

• マルチモーダルエージェント — 49.73から51.81へ、3つのベンチマーク全体で2.08の向上。

• 一般的な視覚推論 — 47.89から53.71へ、MMStarとBabyVision全体で5.82の向上。

向上が集中しているのはどこか — そしてモデルが依然として弱いのはどこか

その表の形は、その平均よりも重要だ。最大の相対的向上は空間知覚と身体性推論で見られ、これはこの手法が教えると主張している内容と一致する。すなわち、1枚の画像内にある複数のマーキングされた領域にわたって証拠を比較・照合・集約することであり、推論時には画像全体を使用し、外部のズーム呼び出しは行わない。

最小の改善幅だったのは、長いコンテキストとマルチモーダルエージェントの2つです。これらはまた、ベースモデルがそのタスクに対してすでに最も強かった2つの領域でもあり、これは狭いデータレシピでRLファインチューニングを行う際の一般的なパターンです。つまり、報酬信号が見える範囲のものだけが動くのです。

絶対値のほうが、より現実を突きつける読み取りだ。Chartographyは12.00。AgentVistaは18.18。Perception-Benchは44.93。モデルは全体で5ポイント向上しても、セット内の個別ベンチマークのいくつかではほぼ使えない状態に近いままであり得るし、このモデルはまさにそうだ。「総合60.51」を一般的な能力指標として引用する人は、12を隠す平均を引用している。

学習レシピはその上限を説明している。EvidenceConnectはSA-1Bの画像から、関連する3〜7個の領域をグループ化し、特権的なズームクロップを用いて質問を生成し、クロスモデル一致と1領域除外テストでフィルタリングし、4択タスクに変換し、GRPOで学習する。3つすべてのモデルサイズを約2万例で学習し、教師ありファインチューニング段階はない。これは焦点を絞ったデータ構成である。領域レベルの知覚を確実に獲得し、オープンエンドな推論を獲得するふりはしない。

参照モデルの列には警告が必要だ

結果の図には、参照点として3つのAPIモデルも示されている。GPT-5.6-Lunaが54.02、GLM-5.3-Flashが57.24、DeepSeek-V4.1-Flashが55.47で、ZwZ2-27Bの60.51と対比されている。表面上、これにより、ひっそりとアップロードされたオープンウェイトのチェックポイントが、ホスト提供されている3つの本番モデルを上回っていることになる。

その解釈には3つの留保が必要だ。第一に、サービング制約はカード自体に記載されている。高度なモデルの画像解像度は各社のサービングプラットフォームによって制約されており、細部を重視するベンチマークセットでは現実的なハンディキャップとなる。第二に、これらは当該ベンダー自身が公表した評価ではない。inclusionAIが他社モデルをinclusionAIのハーネスで実行したものであり、ベンダーが関与したことや数値を確認したことを示すものはない。第三に、GPT列は一部の行で未報告と明示されているため、参照セットの埋まり方は不均一だ。

そのどれも数字が間違っていることにはならない。ただ、自社モデルに10日間の追加チューニングを施していたベンチマークスイート上で、あるラボが競合他社を測定した結果だという意味ではある。ベースモデルの比較を意味のあるものとして扱い、API列は文脈として扱えばよい。

まだ足りないものは何か

不明点の正直な一覧は、既知の一覧よりも長く、しかもそれはライセンスから始まる。モデルカードのフロントマターには、ベースモデル、データセット、パイプラインタスクのタグが付いているが、ライセンスは宣言されていない。本文には「リリースされた重みに付随するライセンスと、該当するバックボーンライセンスを参照せよ」とあるが、重み自体にライセンスが付いていない場合、これは循環論法になる。Qwen3.6-27BはApache-2.0なので、バックボーン側は明確だ。派生物の条件は明確ではなく、これを製品として出荷したい企業にとって、その一つの欠落はどのベンチマークの行よりも重大である。

論文もまだ公開されていません。カード自体のヘッダーには、文字通りのプレースホルダーテキスト <!-- Replace PAPER_URL with the final v2 paper URL. --> が含まれており、PAPER_URL にリンクしています。プロジェクトリポジトリは存在しますが、それが参照するはずの解説文書は存在しません。

さらに、

• ZwZ2-27B に対する独立した評価は、誰からも存在しません。

• このモデルについて、ベンダーによる発表、ブログ記事、ソーシャルメディアへの投稿は見つかっていません。

• 公開されている評価は low/thinking モードです — カードのクイックスタートは enable_thinking=False で実行され、チャットテンプレートは <answer> タグ内に回答を求めます。Thinking モードの数値はこの主張には含まれません。

• 固定された Transformers バージョン以外のフレームワーク サポートはありません。GGUF も AWQ もなく、公開された vLLM 設定もありません。

• このカードには既知の失敗モード——詳細の幻覚、テキストの読み間違い、数え上げや空間に関する誤り——が列挙されており、これはほとんどのベンダーのカードが示すよりも率直で、Chartography で 12.00 を取ることが実際にどのようなものかを適切に要約している。

それに何も賭けずにどう評価するか

ZwZ2-27B は当社のカタログにはありません。また、本稿を、それがカタログに含まれているかのように受け取るべきではありません。今日これを動かすには、54 GB の重みをダウンロードし、特定の Transformers ビルドをインストールして、自分でホスティングする必要があります。ハードウェアをすでに持っているなら手頃な午後の作業ですが、今週中に製品に関する質問へ答えようとしているなら、午後をそう使うのは賢明ではありません。

より安価な手順は、モデルではなく主張そのものを検証することです。主張は限定的です。つまり、2万件の例からなる領域比較データセットでRLを行うと、Qwen3.6-27Bチェックポイントがズームツールなしで細部を読む能力を高めるというものです。これが実際のボトルネックなら——密な文書、チャート、UIスクリーンショット、複数領域にわたる質問——ベースモデルが対照条件であり、その後継モデルはすでにここからルーティング可能です。Qwen3.8-27BとQwen3.5-27BはどちらもOrcaRouter上で1つのキーの背後にあり、200以上もの他のモデルと並んで、プロバイダーの定価でマークアップなしに利用できます。セルフホストのZwZ2-27Bが採用する価値があると判明した場合、それを同じキーに追加し、統合を書き換えるのではなく、それとホスト型汎用モデルの間を自動フェイルオーバーに判断させることができます。

これを「面白いアップロード」から「採用可能なモデル」へと押し上げるものは、短いリストでしかない。名前の明記されたライセンス。ベンチマークの構築方法を誰もが確認できる論文。ベンダーが選んだのではないベンチマークでの、独立した実行が一度——部分的なものであっても。そして発表。11日間の沈黙の後では、それはうっかり漏れたのではなく、意図的な不在のように見え始めている。

それまでは、擁護可能な主張は限定的であり、率直に述べる価値がある。inclusionAIによる文書化されていない27Bチェックポイントが10月16日からHugging Face上に置かれており、10月26日時点で、その作者たちは自作のベンチマークスイートにおいてQwen3.6-27Bに対する5ポイントの改善を主張する用意がある。それは重みが付いた仮説である。まだ結果ではない。