ZwZ2-4B 対 Qwen3.8-27B：4.5Bの専門特化モデルがQwenの28Bフラッグシップと対決

画像パイプラインが1日20万件のクエリを処理し、16GBカードを1枚だけ持っているとします。その1つの制約だけで、Qwen3.8-27Bはベンチマークの議論に入る前に除外されます。280億パラメータではBF16の重みだけで約56GBあり、どれほど巧みにサービングを工夫しても、予算に入れていない量子化なしに16GBへ載せることはできません。ZwZ2-4Bは、45.4億パラメータ、重みファイル9.08GBで収まります。したがって、正直な問いはどちらのモデルが優れているかではありません。小さいチェックポイントの能力が狭いことがあなたのワークロードにとって本当の制約なのか、それとも商品写真のトリミングに関する質問に答えるためにフラッグシップに金を払おうとしていたのか、ということです。

この対決を、スラッグから受ける印象よりも奇妙にする複雑な事情がひとつある。Qwenの3.8世代は、このサイズクラスのモデルを一切リリースしていない。そのラインナップは、2026年8月5日の27Bのdenseモデル、8月8日の2.4兆パラメータのMixture-of-Experts、そして8月24日のFlash-Next——名前とは裏腹に、別のアーキテクチャファミリーに属する1800億パラメータのモデルだ——である。27B未満のdenseモデルは存在しない。したがって、ZwZ2-4Bの真の同サイズの対戦相手はQwen3.5-4B、それがファインチューニング元とした2月のチェックポイントだ。Qwen3.8-27Bは、同格ではなく上限としてこの比較に加わる。

この2つが同じ土俵で比較できるベンチマークは存在しない

まず、ほとんどの比較ページを不誠実にしている点から始めよう。Qwen3.8-27Bには公開された評価とエコシステムがある。一方、ZwZ2-4Bの25件のベンチマーク結果は自社のモデルカードの中にしか存在せず、それを訓練したラボが作成したもので、どこにも独立した再現が存在しない。ベンダーが報告した54.79を、別のラボのベンチマークスイートの隣に並べて引き算することはできない。その二つの数値は、同じタスクで、同じ解像度で、同じハーネスの下で生成されたものではないのだ。

このため、本稿は両者を互いに競わせて採点するものではない。それぞれが何をするために作られているか、それぞれの運用コストはいくらか、そして小さいほうが何を犠牲にしているかを比較する。数値が登場する箇所では、誰が算出したものかを明記している。

次元ごとに見るギャップ

• パラメータ — ZwZ2-4B 4,539,265,536 対 Qwen3.8-27B 28B（カード上）

• ディスク上の重み — BF16で約9.08 GB 対 BF16で約56 GB

• 深さ — 32 層 対 64

• 幅 — 隠れサイズ 2,560 対 5,120

• アテンション形状 — ヘッド次元256において、16個のクエリヘッド対4個のKVヘッド、両方で

• アテンションスケジュール — 両方とも線形対フルが3:1の比率

• コンテキストウィンドウ — 両方とも262,144ポジション

• 語彙 — 両方とも248,320トークン

• ビジョンタワー — 隠れ次元1,024の24層 vs 隠れ次元1,152の27層

• ライセンス — ZwZ2-4B は未申告、Qwen3.8-27B は Apache-2.0

一致する4つの行こそが興味深いところです。両モデルは同じアーキテクチャ識別子を継承しています——すなわちqwen3_5であり、アテンションのジオメトリもコンテキスト上限も同じです。3.8世代はスタックを再設計したのではなく、スケールさせました。だからこそ4Bの設定は異物ではなく27Bの縮小版のように見え、また4Bが27Bのサービング特性を継承する理由でもあります——線形アテンション層こそが、このサイズで262Kコンテキストを現実的なコストで扱えるようにしているのです。

この対戦全体で唯一、同一条件で比較できる数字

ZwZ2-4B のカードには、ベースモデルが 25 個のベンチマークで 49.41、自身が 54.79 と報告されており、5.38 ポイントの向上です。これは、同じ手順で訓練・測定され、同じタスクで、同じ研究所によって評価された 2 つのチェックポイント間の比較です。依然としてベンダー報告であり、ベンチマークの選定も研究所によるものですが、少なくとも引き算の両辺は比較可能です。

そこから2つのことが言える。第一に、その向上が実在するのは、ラボが測定したという意味においてのみであり、54.79を再現した者はいない。第二に、そしてより有用なのは、ベースラインが強力なモデルだということだ。Qwen3.5-4Bは月間740万ダウンロード、1,145件のいいねを獲得しており、実際のエコシステムを持つ広く展開されたチェックポイントである。ZwZ2-4Bが知覚重視のタスクで5.38ポイント優れているなら、人々が実際に動かしているモデルに対する差分として意味がある。それが、訓練対象そのものに報いるために選ばれたベンチマークで5.38ポイント優れているだけなら、実運用での差分はより小さくなるだろう。

この方法は、どちらの読み取りがより起こりやすいかを説明している。ZwZ2 は、SA-1B の領域クロップから作られた四択の多肢選択問題——およそ20,000問——を用いて GRPO で訓練されており、教師ありファインチューニングの段階はない。モデルが目にしてきた訓練信号はすべて、ある領域に質問が必要とする根拠が含まれているかどうかについての四択であった。そうした形の作業負荷こそ、5.38 が当てはまる場面である。自由形式の記述はその形ではない。

28Bのフラッグシップがもたらす、4.5Bにはできないこと

Qwen3.8-27Bは汎用の視覚言語モデルです。画像、動画、柔軟な思考制御、Apache-2.0ライセンスを備え、狭く高品質な合成カリキュラムではなく広範な事前学習データを取り込めるだけのパラメータの余裕があります。そのダウンロード数——先月750万、18,500いいね——は、専門特化モデルではなくバックボーンを選ぶ際に重要なエコシステムのシグナルです。アダプター、量子化、ファインチューン、ツール類が揃っており、ダウンロード数ゼロのチェックポイントにはそれらが存在しません。

その幅広さは失敗モードに表れる。ZwZ2-4Bのモデルカードには、幻覚、誤読、計数エラー、空間エラーが列挙されており、結果は画像解像度、コンテキスト長、プロンプト形式に依存すると注記されている。28Bの汎用モデルも原則として同じ失敗クラスを持つが、より長いコンテキストにわたって詳細を保持する容量が大きく、タスクが四択に似ている必要はない。

文書抽出、複数ページにわたる推論、動画、あるいは回答が領域ではなく段落になるようなあらゆる用途では、27B のほうが適した道具であり、サイズの違いが決め手ではない — 決め手は学習目的である。

実価格に基づくコスト計算

ここで比較は具体的なものになる。OrcaRouterでは、qwen/qwen3.8-27bが入力100万トークンあたり$0.33、出力100万トークンあたり$2.40で提供されており、コンテキストは262Kだ。代表的な画像クエリとして、入力1,500トークン、出力300トークンを考えてみる。27Bでは、これを1,000件処理すると約$1.22かかる。より軽量なqwen/qwen3.8-flashは、$0.15と$0.47で、同じ1,000件なら約$0.37になる。ホスト型の8Bビジョンモデルは、その中間に位置する。

ZwZ2-4Bにはホスト型エンドポイントがないため、トークン単位の価格はありません。Hugging Faceのページには、どのプロバイダーもそれを提供していないと記載されています。そのコストは、GPU時間あたりのコストをスループットで割ったものであり、この比較の中で単一の16 GBカードで動作する唯一の選択肢です。これがより小さいモデルを選ぶ経済的根拠のすべてであり、すでにハードウェアに費用を払っているなら、それは強力な根拠です。

ルーティングに関する構造上の要点が1つあります。これはこのテストの実施方法に影響するためです。OrcaRouter は、プロバイダーのリスト価格をマークアップ0%でそのまま反映します。そのため、Qwenがホスト型Qwenモデルの価格を変更すると、上記の数値は次回の契約更新時ではなく当日に変わります。セルフホストしたチェックポイントとホスト型モデルのコスト比較が公正と言えるのは、ホスト側が本日のリスト価格を反映している場合だけです。そしてここで説明しているのはその特性であり、割引ではありません。

小型モデルがフラッグシップ相手にさえ勝る場面

3つのケースがあり、それらは小型モデルに関するマーケティングが通常示唆するよりも限定的だ。

1つ目はデプロイ制御です。9.08 GBのBF16ファイルなら、固定し、バージョン管理し、エッジ機器へ出荷できます。56 GBのファイルではそれができず、ホステッドAPIでは重みもバージョン保証も得られません。製品上の制約が「モデルがデバイスと一緒に移動する」ことなら、27Bはどんな価格でも候補にはなりません。

第二は、大量処理時のコスト予測性です。セルフホスト型推論はコスト曲線がフラットで、トークン単位の従量課金がありません。1日20万件の画像クエリでは、1,000件あたり1.22ドルなら1日約244ドル、月額約7,300ドルになります（27Bモデルの定価ベース）。セルフホストがそれを上回るかどうかは利用率次第で、1枚のカードが十分に活用されていない場合には多くの場合上回りません。

第三はタスク特化です。あなたのワークロードが本当に「この4つの領域のうちどれに証拠が含まれているか」であるなら、ZwZ2-4Bはまさにその形で訓練されており、領域なしでも答えられる質問を除去するために設計されたフィルタリング工程を備えています。汎用モデルはその他のすべてに容量を費やします。これは4.5Bのチェックポイントが28Bのものを上回り得るケースであり、ベンダーの5.38ポイントという主張が読者の期待どおりの意味を持つ唯一のケースです。

実際に意思決定が行われる順序で、どう決めるか

• 重みを自分で管理するハードウェア上に置く必要があり、そのハードウェアが小規模な場合は、ZwZ2-4B を選び、ライセンスの曖昧さを受け入れ、独自の評価のための予算を確保してください。

• タスクが領域に基づく多肢選択式または視覚的証拠の検索である場合は、カードの5.38を見る前に、自分のデータでZwZ2-4BをQwen3.5-4Bと比較テストしてください。その差分を再現できたとき、それが唯一意味のある数値です。

• 動画、長い文書、自由形式の説明、または法務チームが署名するライセンスが必要なら、Qwen3.8-27B を選び、以降は読むのをやめてください。

• ハードウェアがなく、サービングを行う意欲もないなら——ホスト型のQwenの道を選ぶべきです。なぜなら、もう一方の選択肢はモデルの選択ではなく、運用プロジェクトになるからです。

この対決の厄介な点は、興味深い比較がタイトルにあるものではないことだ。ZwZ2-4B対Qwen3.8-27Bは、モデル比較の体裁をとったデプロイクラスの判断にすぎない。本当の直接対決——同じベース、同じサイズ、同じ提供コスト、実測5.38ポイント差——はZwZ2-4B対Qwen3.5-4Bであり、これらの数字のどちらかがあなたのアーキテクチャを変える前に、自分の画像で実行する価値がある実験はそれだ。