ZwZ2-27B 対 Qwen3.8-27B：同じ骨格、まったく異なる二つの賭け

奇妙なのは、ZwZ2-27B対Qwen3.8-27Bが同じマシンだということだ。両方の設定ファイルを開けば、数値は行ごとに一致する。64層、隠れサイズ5,120、次元256で24のクエリヘッド対4のKVヘッド、フィードフォワード幅17,408、語彙数248,320トークン、262,144ポジション、そして隠れサイズ1,152の27層ビジョンタワー。両者は同じアーキテクチャクラスまで宣言している。両者を分けるのは幅でも深さでもない。その本体に対してその後各ラボが何をしたかだ。そして今のところ、どちらの選択が勝ったのかを知るために両者を直接ぶつけて確かめた者は誰もいない。

その不在こそ、まず率直に言うべきことだ。inclusionAIが公開したZwZ2-27Bの評価は、GPT-5.6-Luna、GLM-5.3-Flash、DeepSeek-V4.1-Flashと比較している。Qwen3.8-27Bは含まれておらず、ZwZ2の基になったモデルより新しいQwenモデルも含まれていない。Qwen側はと言えば、ZwZ2にまったく言及したことがない。以下のすべての数値は、あるラボが自らを測ったものか、Qwenが自らを測ったものであり、両者を同じハーネスに入れて測った第三者はいない。

同じ骨組みで、1行ずつ

どれほど近いのかを正確に述べておく価値がある。なぜなら、よくある「27B 対 27B」という捉え方では、その近さを過小評価してしまうからだ。これらはたまたま似た規模に収まった2つのモデルではなく、交換可能なアーキテクチャ上での2回のポストトレーニング実行なのだ。

• パラメータ — 両方とも27B、dense、どちらの構成にも mixture-of-experts ルーティングはありません。

• 深さと幅 — 64 層、隠れサイズ 5,120、中間サイズ 17,408、両方のファイルで同一です。

• アテンション — クエリヘッド24、KVヘッド4、ヘッド次元256、部分ロータリー係数0.25、ロータリー基数10,000,000。

• レイヤースケジュール — 3:1 の線形→フルアテンションパターン、16 回の繰り返し、両方とも。

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

• ビジョンタワー — 27層、隠れサイズ1,152、5,120へ射影、両方とも共通。

実用的な帰結として、ハードウェアに関する問いは両者にとって同じ問いになる。bf16で約54 GBの重み、80 GBカード1枚なら余裕を持って動かせ、40 GBカード2枚ならぎりぎりだ。どちらもラップトップで動かすモデルではなく、どちらも自身のリポジトリに量子化版のリリースを持たない——Qwenのエコシステムがそれらを生み出しており、ZwZ2にはエコシステムがほとんどない。

異なるのはたった1行、そしてそれ以上に重要な2つのデフォルト

構造的には、相違点は正確に1つだけです。Qwen3.8-27B は mtp_num_hidden_layers を 1 に設定しており、Qwen が複数ステップで訓練されたと述べているマルチトークン予測ヘッドを保持しています。ZwZ2-27B はそれを 0 に設定しています。inclusionAI のモデルは投機的デコーディング用ヘッドが切除されています。これは、訓練パイプラインでそれを使わず、より小さく単純な成果物を出荷したい場合に行うことです。それは設計上の主張ではなく、事務的な違いにすぎません。

デフォルト値こそが、2つのモデルが実際に袂を分かつポイントであり、どの設定値よりもインテグレーションの形を大きく左右します。

思考中。Qwen3.8-27B はデフォルトで回答前に思考し、3 つのエフォートレベルを公開していて、デフォルトは xhigh です。また、preserve_thinking により以前のターンからの推論コンテキストを保持できます。ZwZ2-27B は非思考モードで文書化されています。そのクイックスタートでは enable_thinking=False を渡し、チャットテンプレートはモデルに最終回答を <answer> タグ内に置くよう求め、25 ベンチマークの評価全体がその方法で実行されました。パイプラインが単一パスの応答を想定しているなら、ZwZ2-27B はそのままの状態であなた向けに形作られています。モデルに 50 ステップのタスク全体で熟考させたいなら、Qwen3.8-27B にはそのための仕組みがあり、ZwZ2-27B のカードにはそのような主張はありません。

モダリティ。 Qwen3.8-27B は画像および動画理解向けに文書化されており、動画サンプリングはサービング層を通じて制御されます。ZwZ2-27B の設定には video_token_id が含まれていますが、そのカードと評価は完全に静止画像と領域比較に関するものです。inclusionAI 側では動画を未実証として扱ってください。

それぞれの側が実際に証明できること

両ベンダーは評価を公表した。両者は比較可能ではなく、その理由はマーケティングではない — 両スイートが測定しているものが異なるからだ。

ZwZ2-27Bの主張を支えているのは、inclusionAIが採点した6つの知覚ドメインにわたる25のベンチマークで、自身のベーススコアを55.52から60.51へ引き上げています。絶対値が最も大きいのは細粒度知覚（ドメイン平均67.57）と長文脈理解（68.77）で、最も弱いのはChartographyの12.00とAgentVistaの18.18です。

Qwen3.8-27B が公開した表は、ビジョン部門を含むテキスト・アンド・エージェント・スイートであり、Qwen はそれを自社の前世代モデルに対して実行した。Qwen3.8-27B と Qwen3.6-27B の間の差の一部は膨大だ：

• エージェント型ターミナルコーディング — Terminal Bench 2.1 で 73.0、Qwen3.6-27B の 63.4 に対して。

• ソフトウェアエンジニアリング — QwenSWEBench は 79.0 対 49.3、DeepSWE 1.1 は 42.2 対 13.3。

• コンピューター操作 — OSWorld-Verified は 84.3 対 63.9、WebArena-Verified は 64.8 対 48.8。

• モバイル利用 — AndroidWorldでは81.9対70.3。

• マルチモーダルソフトウェアエンジニアリング — SWE-MMは38.6、RecreationBenchは29.8に対して47.1。

• 科学的推論 — GPQA Diamondは89.2対87.8、HLEは30.8対24.0。

それらはQwen自身のハーネスにおけるQwen自身の数値であり、シンプルなことを示している。3.8世代は3.6からの小さな一歩ではない。エージェント型ソフトウェア作業では、改善は一桁ではなく数十ポイントで測られる。

なぜ +4.99 対 3.6 は 3.8 に関する数ではないのですか

これがこの比較に潜む罠であり、陥りやすいものです。ZwZ2-27Bの主要な向上幅はQwen3.6-27B比で+4.99です。Qwen3.8-27Bは、Qwenのスイート上ではQwen3.6-27Bよりもはるかに強力なモデルです。ZwZ2の向上によって差が埋まるという誘惑的な推論は成り立たず、それが検証できない仕組み上の理由があります。

実行間をまたいで引き算することはできません。ZwZ2-27B の 60.51 は、inclusionAI が選んだ 25 の知覚ベンチマークにおける精度の平均値です。Qwen3.8-27B の数値は、Qwen が選んだ別のベンチマーク群でのスコアです。あるスイートで 60.51 を出したモデルと、まったく異なるタスクで 84.3 を出したモデルは、両者の相対順位について何も教えてくれません。そして、それらの数値を一つの列に並べる記事は、誰も測定していないランキングを捏造しているのです。

言えることはより限定的だが、それでも有用だ。ZwZ2-27Bは、Qwenがその後取って代わったモデルに対する的を絞った介入であり、その介入の記録された規模——知覚平均で5ポイント——は、Qwen自身の視覚タスクにおける3.6～3.8の差分のいくつかと同じ桁であり、エージェント型タスクにおける差分よりはるかに小さい。この特殊化が領域レベルの知覚における世代間ギャップを埋めるかどうかは、まさに共有ハーネスを必要とする事柄だ。誰もそれを構築していない。

カードの参照列は、なぜ答えが存在し得るのかをほのめかしている。ZwZ2-27Bは60.51を記録しており、inclusionAIがGLM-5.3-Flashを57.24、DeepSeek-V4.1-Flashを55.47と測定したのに対し、地域比較を中心に構成されたスイートでは、ZwZ2-27Bがこれらのホステッドモデルを上回った。カードには、高度なモデルの画像解像度が各サービングプラットフォームによって制約されていたと注記されている。これはモデルについての結果であると同時に、スイートについての結果でもある。Qwen3.8-27Bに関する証拠にはならない。同モデルはそもそもその場に存在していなかった。

ほとんどのチームでは、ベンチマークより先にライセンスがそれを決める。

Qwen3.8-27BはApache-2.0で、モデルカードのフロントマターに明記されており、ダウンロード数は数百万に達し、その周辺にはアダプター、ファインチューン、量子化のエコシステムが存在する。ZwZ2-27Bはライセンスを一切宣言していない。そのカードは「リリースされた重みに付随するライセンスおよび適用可能なバックボーンライセンス」を指し示しているが、重みに何も付随していない場合には循環参照になる。

研究チームにとって、それは脚注にすぎない。モデルを製品に組み込む企業にとっては決定的な境界線であり、しかも僅差ですらない。バックボーンがApache-2.0だからといって、独自の条件が明示されていない派生物に自動的にライセンスが付与されるわけではない。それは弁護士に相談すべき問題であり、inclusionAIが回答するまで、安全側の解釈はZwZ2-27Bが商用展開の許可を得ていないというものだ。論文の不在がさらに拍車をかける。カードには依然として文字どおりのプレースホルダーPAPER_URLが含まれているため、手法の説明はREADMEとデータセットスキーマにすぎず、それ以上ではない。

今日、あなたが呼べるもの

Qwen3.8-27Bは今すぐOrcaRouterでルーティング可能で、カタログの他のモデルと同じ1つのキーを使い、プロバイダーの定価でマークアップなしで提供されています。そのため、Qwenが価格を変更した場合、再価格設定のサイクルを待たずに同日ここへ反映されます。入力100万トークンあたり$0.33、出力100万トークンあたり$2.40で、262,144トークンのコンテキストが提供されています。これは、安価な実験者のほうが通常勝つこの種の比較では重要です。今日の午後、ダウンロードもGPUもなしで、Qwen3.8-27Bを自分のワークロードに対してベンチマークできます。

ZwZ2-27B は当社のカタログにはありません。それをより柔らかく表現するのは不誠実でしょう。これはライセンスもサービング手順もない 54 GB のセルフホスト型アーティファクトであり、評価する唯一の方法は実際に動かすことです。後々それがあなたのスタックで居場所を得るなら、両者が交わるのはルーティング層です — 単一エンドポイント、自動フェイルオーバー、そして地域比較のトラフィックは特化モデルへ、それ以外は汎用モデルへ振り分けるポリシーであり、書き換えではありません。

どちらですか、ワークロード別で

Qwen3.8-27Bは、ほとんどすべての用途において妥当なデフォルトです。エージェント型コーディング、長期的なツール使用、コンピューターとブラウザの操作、汎用推論、動画——公表されている改善幅が最も大きいのはこうした領域であり、またこの2つのうち、今日合法的に提供でき、現実的に導入できるのはこちらだけです。

ZwZ2-27Bの用途はより限定的だ。すでにQwen3.6-27Bクラスのパイプラインを運用しており、ボトルネックが文書・グラフ・インターフェースのスクリーンショットにおける細部の計測にあり、推論ループにズーム＆クロップのツール呼び出しを追加するという発想に魅力を感じない、という場合だ。それはまさにinclusionAIが解決すると主張している問題である——訓練時にマークされた領域間の比較を学習し、推論時にツールを必要としないようにする。ベースモデルが自前のハーネスにおける対照条件であるなら、それに対するZwZ2-27Bのローカルテストは安価で適切に定式化された実験だ。

擁護できないのは、ベンダーの60.51を汎用的な能力スコアとして扱うこと、あるいはそれをQwen3.8のどの数値とも、両者が同じ尺度に載っているかのように比較することだ。実際には同じ尺度にはなく、それを決着させるはずのモデル——利害関係のない誰かが運用する共通ハーネス——は、ZwZ2-27B自体がそうだった以上に、まだ発表されていない。

この比較が本当に投げかける3つの問い

ZwZ2-27Bは、単にQwen3.6-27Bに追加学習を施したものですか？アーキテクチャ上ははい、層スケジュールやビジョンタワーに至るまで同じで、マルチトークン予測ヘッドが取り除かれています。振る舞いの面では、inclusionAIがREADMEレベルの説明しかしていない事後学習レシピ次第です。3〜7個の領域グループ、特権クロップから生成され、クロスモデル間の一致とdrop-one-regionテストでフィルタリングされた質問、そして教師ありファインチューニング段階なしで約20,000例に対するGRPOです。それは手法の説明であって、再現ではありません。

ZwZ2-27Bの優位性は、知覚タスクにおいてQwen3.8-27Bと対峙しても維持されるのだろうか？不明であり、現在の記録からは知りようがない。Qwen3.8-27Bのビジョン部分は、コンピュータ操作、ブラウザ利用、マルチモーダルソフトウェアエンジニアリングに重点が置かれており、領域レベルの比較に重点を置いたものではない。そのため、Qwen自身の表をもってしても、ZwZ2の主張が提起する問いには答えられない。

思考モードのデフォルト設定は比較結果を変えますか？ はい、ベンチマークの差が示唆する以上に変わります。ZwZ2-27Bは単一パス・非思考モデルとして評価・文書化されており、Qwen3.8-27Bは調整可能な推論強度を中心に設計されています。レイテンシに敏感な知覚呼び出しにはZwZ2-27Bの設計が有利で、熟考を要するものにはQwen3.8-27Bの設計が有利です。ただし、両者は異なる生成設定で測定されたため、ベンチマーク数値にもその違いが反映されています。