ZoomGain-9B vs Qwen 3.8 8B: Qwen3.8-8B는 존재하지 않으며, 바로 그것이 이 글의 요점이다

“Q​wen 3.8 8B”를 검색하면 비교 페이지, 다운로드 링크, 그리고 이를 실제 출시된 모델로 다루는 글 대여섯 편을 찾게 될 것이다. 하지만 그것은 출시된 모델이 아니다. A​libaba의 Q​wen3.8 세대에는 네 개의 공개 체크포인트—Qwen3.8-27B, 그 FP8 빌드, Qwen3.8-2.4T-A95B, Qwen3.8-Flash-Next—가 있으며, 그중 8B는 없다. Q​wen 라인업에서 8B 자리는 2025년 Q​wen3 세대의 모델인 Qwen3-8B가 차지하고 있는데, 이는 아키텍처도, 토크나이저도, 시대도 다른 모델이다. 따라서 이 비교의 정직한 버전은 2026년 11월 10일 inclusionAI가 공개한 9B 비전-언어 체크포인트인 ZoomGain-9B와, 비슷한 규모로 실제 존재하는 두 Q​wen 모델—3.8 세대에서 가장 작은 dense 구성원인 270억 파라미터의 Qwen3.8-27B, 그리고 ZoomGain-9B가 포스트트레이닝된 원본인 Qwen3.5-9B—사이의 비교다.

그 정정은 흥미로운 부분에 앞서 치워야 할 형식적인 문제가 아닙니다. 그것은 답을 바꿉니다. Qwen3.5-9B는 ZoomGain이 훈련된 기반 모델이므로, 이번 전체 릴리스에서 통제 실험에 가장 가까운 것입니다. 동일한 가중치, 동일한 아키텍처, 동일한 토크나이저, RL 샘플 9,000개의 차이입니다. Qwen3.8-27B는 크기가 세 배이고 두 세대 더 최신이며, 오늘 Qwen 엔드포인트를 원한다면 ZoomGain 대신 실제로 선택하게 될 모델입니다. 둘 모두와 비교하면 팬텀 8B가 결코 알려줄 수 없었던 무언가를 알 수 있습니다.

도대체 왜 팬텀 항목이 존재하는가

명명은 무작위가 아니다. Q​wen은 2026년 8월 5일과 8일에 각각 27B와 2.4T-A95B를 출시했고, 이어 8월 24일에는 Flash-Next를 출시했다. 이전 세대인 Q​wen3.5에는 9B와 4B가 있었고, Q​wen3.6에는 27B와 35B-A3B가 있었다. Q​wen3 이후 모든 세대에는 소형 덴스 모델이 포함되어 왔으며, 3.8 세대는 처음으로 이를 건너뛰었다. 이전 세 번의 릴리스에 패턴 매칭을 해보는 사람이라면 누구나 Qwen3.8-9B를 합리적으로 예측했을 것이고, Qwen3.8-8B는 그 예측에서 한 자릿수만 다르다.

실제로 그 공백을 메우는 것은 커뮤니티 증류입니다. Qwen3.8-9B-Distill 체크포인트는 27B 공개 후 일주일 이내에 독립 연구소들에서 Hub에 등장했고, 그 파생 모델의 파생 모델도 뒤이어 나왔습니다. 그것들은 Qwen3.8의 출력으로 훈련된 소형 모델이지, Qwen3.8 모델이 아닙니다. 발견한 페이지에서 벤치마크 수치와 함께 "Qwen 3.8 8B"를 설명하고 있다면, 가장 가능성 높은 설명은 그것이 그중 하나를 설명하고 있거나, 아니면 아무것도 설명하지 않는 것입니다.

실질적인 결과는 이렇습니다. 작은 Qwen 계열 모델이 필요하다면 현재 실제 선택지는 9B의 Qwen3.5-9B와 4B의 Qwen3.5-4B이며, 둘 다 2026년 2월에 나왔고 둘 다 Apache 2.0이며 둘 다 여전히 Hub에서 가장 많이 다운로드된 모델 중 하나입니다. ZoomGain-9B는 그중 첫 번째 모델을 기반으로 합니다.

릴리스가 우연히 제공하는 통제된 실험

Qwen3.5-9B의 구성과 ZoomGain-9B의 구성은 같은 형태입니다. 32개 레이어, 은닉 크기 4,096, 중간 크기 12,288, 헤드 차원 256에서 16개의 쿼리 헤드 대 4개의 KV 헤드, 최대 262,144개 위치, 그리고 선형 DeltaNet 대 전체 어텐션의 동일한 3:1 스케줄을 사용합니다. 비전 타워는 기본 모델의 것입니다. 아키텍처에서 바뀐 것은 없습니다.

달라진 것은 포스트트레이닝이다. ZoomGain은 잘라낸 디테일을 마이닝해 생성한 9,000개의 질문에 GRPO를 적용했으며, 1에포크 동안 질문당 8회의 롤아웃을 수행했다. 이것이 개입의 전부이며, ZoomGainBench에서 측정된 효과는 32.13에서 55.48로, 훈련 데이터와 동일한 파이프라인으로 구축된 벤치마크에서 23.35점 상승한 것이다. 논문은 이를 솔직하게 "Held-in"이라고 표기한다.

그 단서에도 살아남는 숫자는 학습이 한 번도 보지 못한 13개 벤치마크 전반의 홀드아웃 평균입니다: Qwen3.5-9B는 59.75, ZoomGain-9B는 66.10. 동일한 가중치에서 9,000개 샘플로 얻은 6.35포인트 향상입니다. 이번 릴리스가 겨냥하는 특정 계열에서는 차이가 더 큽니다: HR-Bench 4K는 82.13에서 90.25로, V*Bench는 86.91에서 93.19로, VisualProbe는 44.66에서 56.31로.

• 흥미로운 부정적 결과 — MMStar는 71.73에서 73.87로, BabyVision은 15.98에서 17.53으로 변했다. 일반 멀티모달 역량은 거의 달라지지 않는다. 학습은 세밀한 디테일을 얻었을 뿐 그 외에는 거의 없었다. 이는 9,000개 샘플의 표적 RL 실행이 마땅히 해야 할 일이다.

• 솔직한 전제 — 위의 모든 내용은 저자들의 하네스에서 저자들이 보고한 것입니다. Ant Group 외부의 누구도 이를 재현하지 않았습니다. 평가기와 벤치마크는 공개되어 있어 검증 가능하지만, 아직 검증되지는 않았습니다.

Qwen3.8-27B, 그리고 그것을 같은 표에 넣는 행

{{1}}여기서부터 비교는 진짜가 된다. ZoomGain 논문이 실제로 Qwen3.8-27B를 자체 벤치마크에서 평가했기 때문이다.{{/1}} {{2}}27B는 ZoomGainBench에서 종합 44.81점을 기록하며, Kimi-K3의 48.65점, Qwen3.8-Flash-Next의 55.05점, 그리고 표에 있는 모든 클로즈드소스 프런티어 모델보다 뒤처진다.{{/2}} {{3}}그 기준으로 보면, 이 모델은 유능하지만 눈에 띄지 않는 미세 디테일 인지 모델이다.{{/3}}

동일한 테스트에서 ZoomGain-9B의 55.48과 맞세워 보면 계산은 눈에 띌 만큼 인상적이다. 같은 계열의 27B 모델보다 9B 모델이 10.7점이나 높은 점수를 냈고, 그 벤치마크는 어느 벤더의 마케팅도 선택하지 않을 테스트다. 하지만 바로 이 비교에 'held-in' 라벨을 붙여야 하며, 논문은 그 라벨을 붙인다. ZoomGainBench는 ZoomGain의 학습 데이터를 만든 파이프라인으로 구축되었다. 그 파이프라인에서 나온 질문으로 학습한 모델은 해당 분포를 본 반면, 그 위에서 평가되는 모델은 보지 못했다. 10.7점 격차는 능력에 관한 진술이 아니라 분포 적합도에 관한 진술이다.

왜곡 없이 두 모델을 비교할 수 있는 부분에서는 양상이 뒤집힌다. Qwen3.8-27B의 자체 모델 카드에는 Terminal Bench 2.1 73.0, SWE-bench Pro 61.7, LiveCodeBench v6 90.3, GPQA Diamond 89.2, HLE 30.8로 보고되어 있다. ZoomGain-9B는 이 중 어느 것으로도 평가된 적이 없으며 좋은 성적을 기대하기도 어렵다. 훈련 과정에서 코드, 터미널 작업, 대학원 수준 과학을 다룬 적이 없기 때문이다. Qwen3.8-27B는 또한 이미지와 비디오를 기본적으로 입력받고, 100만 토큰까지 확장 가능한 262,144토큰 컨텍스트를 제공하며, `reasoning_effort`를 통한 사고 제어를 지원한다. 이는 ZoomGain-9B에 전혀 없는 기능인데, 이 모델의 평가가 사고 기능을 비활성화한 상태로 실행되기 때문이다.

• 크기와 형태 — Qwen3.8-27B는 64개 레이어, hidden 5,120, intermediate 17,408 및 1개 레이어 멀티 토큰 예측 헤드를 갖춘 27B dense 모델입니다. ZoomGain-9B는 hidden 4,096에서 32개 레이어를 갖춘 약 9.4B입니다.

• 가용성 — Qwen3.8-27B는 740만 건의 다운로드, Apache 2.0 라이선스, FP8 및 GGUF 빌드, 호스팅 엔드포인트를 갖추고 있습니다. ZoomGain-9B는 호스팅 엔드포인트가 없고, Hub의 제공자 매핑이 비어 있으며, 라이선스 태그가 없는 카드로 라이선스가 미뤄져 있고, BF16 외에 유일한 배포 형태로 11월 11일 GGUF 빌드가 있습니다.

• 출시일 — Qwen3.8-27B: 2026년 8월 5일, 블로그 게시물과 기술 보고서를 포함한 정식 출시. ZoomGain-9B: 2026년 11월 10일, 논문과 저장소뿐이고 그 외에는 아무것도 없음. 3개월의 격차보다 중요한 것은 그중 하나가 8월부터 이미 실제 운영 환경에서 사용되고 있다는 사실이다.

각 노선의 가격, 그리고 저희가 실제로 판매할 수 있는 가격

Qwen3.8-27B이 OrcaRouter 카탈로그에 있습니다 — 100만 입력 토큰당 $0.33, 100만 출력 토큰당 $2.40이며, 262K 컨텍스트와 텍스트·이미지·비디오 입력을 지원하고, 제공업체 정가에 0% 마크업이 붙습니다. 저희 모델 페이지에 표시된 숫자는 Qwen이 청구하는 숫자를 그대로 전달한 것이므로, 공급업체의 가격이 변경되면 재가격 책정 주기를 거친 뒤가 아니라 같은 날 바로 여기에 반영됩니다. 동일한 키로 Qwen3.8-Flash와 Qwen3.8-Max에도 접근할 수 있으므로 27B가 규모에 맞지 않는다면 이를 선택하면 되며, 그리고 페일오버 덕분에 지연된 엔드포인트는 응답이 시작되기 전에 제공업체로 재시도됩니다 — 요청이 타임아웃된 뒤가 아니라.

ZoomGain-9B은 카탈로그에 없으며 우리를 통해 호출할 수 없습니다. BF16 기준 18.82GB이거나, Q4_K_M 기준 5.63GB에 0.52GB mmproj 프로젝터를 더한 크기이며, transformers 5.7.0과 함께 vLLM 0.19.1에서 또는 Qwen3.5 멀티모달 지원이 포함된 llama.cpp 빌드에서 서빙됩니다. Qwen3.5-9B 자체도 카탈로그에 없으며, 이 점은 분명히 말해 둘 가치가 있습니다. 이 비교의 저렴한 호스팅 버전은 우리 쪽에도 존재하지 않습니다.

당신의 실제 질문이 "Qwen 엔드포인트에 비용을 지불하는 대신 ZoomGain-9B를 실행해야 하나?"라면, 비용 비교는 어느 쪽으로도 접전이 아니며 그럴 필요도 없습니다. 27B dense 모델이 백만 입력 토큰당 $0.33이라면, 당신이 '가끔'이라고 표현할 거의 모든 사용량에서 GPU를 직접 보유하는 것보다 저렴합니다. 9B를 셀프 호스팅하는 것이 이기는 경우는 사용량이 많거나, 데이터가 네트워크 밖으로 나갈 수 없거나, 작업이 9B가 훈련된 바로 그 좁은 한 가지일 때뿐입니다.

팬텀 모델이 중요했을 때

Qwen 라인업에는 실제 공백이 있으며, 이는 많은 사람이 이 비교 조합을 검색한 이유를 설명해 주기 때문에 짚고 넘어갈 가치가 있습니다. 262K 윈도와 Qwen3.8 세대 어휘를 갖춘 9B dense 모델이 Qwen3.5-9B에 가까운 가격으로 판매되었다면, 이미지 비중이 큰 파이프라인에서 확실한 예산 선택지가 되었을 것입니다. 27B보다 저렴하고, 4B보다 성능이 좋으며, 단일 카드에서 자체 호스팅하기에 충분히 작기 때문입니다. Qwen은 그런 모델을 출시하지 않았으므로, 현재 이 자리는 더 오래된 Qwen3.5-9B나 제조사 지원이 없는 커뮤니티 증류 모델이 맡고 있습니다.

ZoomGain-9B도 그 모델이 아니며, 이 구분은 중요합니다. 이 모델은 연구용 라이선스 문제와 호스팅 경로가 없는 지각 전문 모델이지, 범용 소형 Q​wen이 아닙니다. "Q​wen 3.8 8B"에서 원했던 것이 저렴한 범용 모델이었다면, ZoomGain-9B는 미세한 디테일을 제외한 모든 면에서 실망스러울 것입니다. 원했던 것이 4K 사진 속 일련번호를 찾아낼 수 있는 모델이었다면, 이 모델은 바로 그런 용도로 특별히 만들어진 몇 안 되는 소형 체크포인트 중 하나입니다.

범용 사례의 경우 현실적인 대체 모델은 호스팅된 Qwen3.5 라인입니다 — 35B-A3B는 백만 입력 토큰당 $0.057, 27B는 $0.086 — 이들은 누락된 8B가 채웠을 예산 슬롯을 차지하며, 더 큰 풋프린트와 실제 엔드포인트를 갖춥니다. 인식 사례의 경우 저희가 제공할 수 있는 호스팅 대체 모델은 없습니다: Qwen3-VL-8B-Instruct는 백만 토큰당 입력 $0.18, 출력 $0.70으로 이미지를 받아들이며, 오류가 세부 오류인지 테스트하기 위한 대체 모델로 작동하지만, ZoomGain이 훈련된 방식으로 훈련되지 않았고 크롭에서는 ZoomGain과 일치하지 않을 것입니다.

이걸 가지고 구체적으로 어떻게 해야 하나요?

ZoomGain-9B 대 Qwen3.8-8B 판정을 보러 오셨다면, 판정은 상대 모델이 존재하지 않으며 그런 판정을 제시한 페이지는 비교의 절반을 지어낸 것입니다. 실제 두 가지 질문은 더 좁고 둘 다 오늘 답할 수 있습니다.

질문 하나: Qwen3.5-9B의 9B 파인튜닝이 세밀한 지각에서 Qwen3.5-9B보다 더 나은가? 저자들의 수치에 따르면, 홀드아웃에서 6.35점 더 높고, 훈련이 겨냥한 벤치마크에서는 훨씬 더 높다. 이는 9,000개 샘플에 대한 강한 결과이며, 이번 릴리스에서 가장 흥미로운 점이다.

질문 2: ZoomGain-9B가 당신에게 중요한 어떤 부분에서든 Qwen3.8-27B보다 나은가? 일반적인 능력에서는 아니다 — 27B는 더 새롭고, 더 크고, 문서화가 더 잘 되어 있으며, 라이선스가 있고, 호스팅되며, 훨씬 더 많은 축에서 평가된다. ZoomGain 자체의 학습 분포로 만든 벤치마크에서는 10.7점 더 높은데, 이는 학습이 효과가 있었다는 것을 알려줄 뿐 어떤 모델을 사야 하는지에 대해서는 아무것도 알려주지 않는다.

뒤따르는 결정은 화려하지 않다. 일반 작업에는 호스팅된 Q​wen 모델을 사용하라. 입력 토큰 100만 개당 $0.33이고 API 호출 한 번으로 제공되기 때문이다. ZoomGain-9B는 특정한 세밀 작업이 있고, GPU가 있으며, 공급업체가 공개하지 않은 라이선스 파일을 읽은 변호사가 있을 때만 다운로드하라.