ZoomGain-9B vs Qwen 3.8 8B: Er is geen Qwen3.8-8B, en dat is het artikel

Zoek je naar "Q​wen 3.8 8B", dan vind je vergelijkingspagina's, downloadlinks en een half dozijn artikelen die het behandelen als een model dat al verkrijgbaar is. Dat is het niet. De Q​wen3.8-generatie van A​libaba bevat vier open checkpoints — Qwen3.8-27B, de FP8-build daarvan, Qwen3.8-2.4T-A95B en Qwen3.8-Flash-Next — en geen daarvan is een 8B. De 8B-plek in de Q​wen-line-up wordt ingenomen door Qwen3-8B, een model uit de Q​wen3-generatie van 2025, met een andere architectuur, een andere tokenizer en uit een ander tijdperk. De eerlijke versie van deze vergelijking is dus die tussen ZoomGain-9B, het 9B vision-language-checkpoint dat inclusionAI op 10 november 2026 publiceerde, en de twee Q​wen-modellen die daadwerkelijk bestaan op een vergelijkbare grootte: Qwen3.8-27B, het kleinste dense lid van de 3.8-generatie met 27 miljard parameters, en Qwen3.5-9B, de trunk waaruit ZoomGain-9B is post-getraind.

Die correctie is geen technischeiteit die je eerst uit de weg ruimt voordat het interessante deel begint. Ze verandert het antwoord. Qwen3.5-9B is het basismodel waarop ZoomGain is getraind, dus het is het dichtstbijzijnde wat je hebt bij een gecontroleerd experiment in deze hele release: dezelfde gewichten, dezelfde architectuur, dezelfde tokenizer, 9.000 RL-samples verschil. Qwen3.8-27B is drie keer zo groot en twee generaties nieuwer, en het is het model dat je vandaag daadwerkelijk zou kiezen in plaats van ZoomGain als je een Q​wen-endpoint wilde. Vergelijking met beide vertelt je iets wat de fantoom-8B nooit kon.

Waarom de fantoomvermelding überhaupt bestaat

De naamgeving is niet willekeurig. Q​wen bracht op 5 en 8 augustus 2026 de 27B en 2.4T-A95B uit, en daarna Flash-Next op 24 augustus. De vorige generatie, Q​wen3.5, had een 9B en een 4B; Q​wen3.6 had 27B en 35B-A3B. Elke generatie sinds Q​wen3 bevat een klein dense model, en de 3.8-generatie is de eerste die er een overslaat. Wie op de vorige drie releases patronen zoekt, zou redelijkerwijs een Qwen3.8-9B voorspellen, en een Qwen3.8-8B zit één cijfer van die voorspelling af.

Wat de leemte feitelijk opvult, is community-distillatie. Q​wen3.8-9B-Distill-checkpoints verschenen binnen een week na de release van 27B op de Hub, afkomstig van onafhankelijke labs, en derivaten van die derivaten volgden. Het zijn kleine modellen die zijn getraind op Q​wen3.8-outputs, geen Q​wen3.8-modellen. Als een pagina die je hebt gevonden "Q​wen 3.8 8B" beschrijft met benchmarkcijfers, is de meest waarschijnlijke verklaring dat die een van die modellen beschrijft, of dat die niets beschrijft.

De praktische consequentie: als je een klein model uit de Qwen-familie nodig hebt, zijn de huidige echte opties Qwen3.5-9B met 9B en Qwen3.5-4B met 4B, beide uit februari 2026, beide Apache 2.0, en beide behoren nog steeds tot de meest gedownloade modellen op de Hub. ZoomGain-9B is gebouwd op het eerste daarvan.

Het gecontroleerde experiment dat de release per ongeluk oplevert

De configuratie van Qwen3.5-9B en die van ZoomGain-9B hebben dezelfde opzet: 32 lagen, verborgen dimensie 4.096, tussenliggende dimensie 12.288, 16 query-heads tegenover 4 KV-heads bij head-dimensie 256, 262.144 maximale posities, en hetzelfde 3:1-schema van lineaire DeltaNet naar volledige attention. De vision tower is die van het basismodel. Aan de architectuur is niets veranderd.

Wat veranderd is, is de post-training. ZoomGain paste GRPO toe op 9.000 vragen die zijn gegenereerd door cropped detail te minen, voor één epoch, met acht rollouts per vraag. Dat is de hele interventie, en het gemeten effect ervan op ZoomGainBench bedraagt 32,13 tot 55,48 — een sprong van 23,35 punten op een benchmark die is opgebouwd uit dezelfde pipeline als de trainingsdata, wat het paper eerlijk "Held-in" noemt.

Het getal dat dat voorbehoud overleeft, is het gemiddelde op de hold-outset over dertien benchmarks die de training nooit heeft gezien: 59,75 voor Qwen3.5-9B, 66,10 voor ZoomGain-9B. Een winst van 6,35 punt uit 9.000 samples, op dezelfde gewichten. In de specifieke familie waarop de release zich richt, zijn de delta's groter: HR-Bench 4K 82,13 naar 90,25, V*Bench 86,91 naar 93,19, VisualProbe 44,66 naar 56,31.

• Het interessante negatieve resultaat — MMStar gaat van 71,73 naar 73,87, en BabyVision van 15,98 naar 17,53. Algemene multimodale competentie verschuift nauwelijks. De training leverde fijne details op en niet veel meer, wat precies is wat een gerichte RL-run met 9.000 samples zou moeten doen.

• De eerlijke kanttekening — al het bovenstaande is door de auteurs gerapporteerd op de testopzet van de auteurs. Niemand buiten Ant Group heeft het gereproduceerd. De evaluator en de benchmark zijn openbaar, dus het is controleerbaar, maar het is niet gecontroleerd.

Qwen3.8-27B, en de rij die het in dezelfde tabel plaatst

Hier wordt de vergelijking pas echt, want de ZoomGain-paper heeft Qwen3.8-27B wél op zijn eigen benchmark geëvalueerd. De 27B scoort 44,81 overall op ZoomGainBench — achter Kimi-K3's 48,65, achter Qwen3.8-Flash-Next's 55,05, en achter elk closedsource-frontiermodel in de tabel. Volgens die maatstaf is het een competente maar weinig opzienbarende waarnemer van fijne details.

Zet dat af tegen de 55,48 van ZoomGain-9B op dezelfde test, en de rekensom ziet er opvallend uit: een 9B-model dat 10,7 punten hoger scoort dan een 27B-model uit dezelfde familie, op een benchmark die de marketing van geen van beide leveranciers zou kiezen. Maar dit is precies de vergelijking waarbij het held-in-label moet worden vermeld, en dat doet het artikel ook. ZoomGainBench is gebouwd door de pipeline die ook de trainingsdata van ZoomGain heeft gebouwd. Een model dat is getraind op vragen uit die pipeline heeft de distributie gezien; een model dat erop wordt geëvalueerd niet. De kloof van 10,7 punten zegt iets over distributie-fit, niet over capaciteit.

Waar de twee zonder die vertekening kunnen worden vergeleken, keert het beeld om. Op de eigen kaart van Qwen3.8-27B staat Terminal Bench 2.1 op 73,0, SWE-bench Pro op 61,7, LiveCodeBench v6 op 90,3, GPQA Diamond 89,2 en HLE 30,8. ZoomGain-9B is op geen van deze geëvalueerd en er zou niet worden verwacht dat het goed zou presteren: de training ervan heeft nooit code, terminaltaken of wetenschap op gevorderd universitair niveau aangeraakt. Qwen3.8-27B verwerkt ook native afbeeldingen en video, biedt een context van 262.144 tokens die uitbreidbaar is tot één miljoen, en ondersteunt denksturing met `reasoning_effort` — een mogelijkheid die ZoomGain-9B helemaal niet heeft, omdat de evaluatie ervan met denken uitgeschakeld verloopt.

• Grootte en vorm — Qwen3.8-27B is een dense model van 27B met 64 lagen, hidden 5.120, intermediate 17.408 en een multi-token-prediction-head van 1 laag. ZoomGain-9B heeft ongeveer 9,4B met 32 lagen bij hidden 4.096.

• Beschikbaarheid — Qwen3.8-27B heeft 7,4 miljoen downloads, een Apache 2.0-licentie, FP8- en GGUF-builds en een gehost endpoint. ZoomGain-9B heeft geen gehost endpoint, een lege provider-mapping op de Hub, een licentie die is doorgeschoven naar een kaart zonder licentietag, en 11 november GGUF-builds als enige distributie naast BF16.

• Releasedata — Qwen3.8-27B: 5 augustus 2026, een volledige lancering met een blogpost en een technisch rapport. ZoomGain-9B: 10 november 2026, een paper en een repository en verder niets. De periode van drie maanden doet er minder toe dan het feit dat een van beide sinds augustus in handen is van productieteams.

De prijs van elke route, en degene die we je daadwerkelijk kunnen verkopen

Qwen3.8-27B staat in de OrcaRouter-catalogus voor $0,33 per miljoen inputtokens en $2,40 per miljoen outputtokens, met een context van 262K, tekst-, afbeeldings- en video-invoer, en 0% opslag op de lijstprijs van de provider — het getal op onze modelpagina is het getal dat Qwen in rekening brengt, doorgegeven, dus een prijswijziging van een leverancier is hier dezelfde dag live in plaats van pas na een herprijscyclus. Met dezelfde sleutel bereik je ook Qwen3.8-Flash en Qwen3.8-Max als de 27B toch de verkeerde maat blijkt, en failover betekent dat een vastgelopen endpoint opnieuw bij een provider probeert voordat de respons begint in plaats van pas nadat je verzoek een timeout krijgt.

ZoomGain-9B staat niet in de catalogus en kan niet via ons worden aangeroepen. Het is 18,82 GB BF16, of 5,63 GB bij Q4_K_M plus een mmproj-projector van 0,52 GB, aangeboden onder vLLM 0.19.1 met transformers 5.7.0 of onder een llama.cpp-build met Qwen3.5-multimodale ondersteuning. Qwen3.5-9B zelf staat ook niet in de catalogus, wat we gerust ronduit mogen zeggen: de goedkope gehoste versie van deze vergelijking bestaat aan onze kant evenmin.

Als je werkelijke vraag is "moet ik ZoomGain-9B draaien in plaats van te betalen voor een Qwen-endpoint", dan is de kostenvergelijking in geen van beide richtingen een nek-aan-nekrace, en dat hoeft ook niet. Een 27B dense model voor $0,33 per miljoen invoertokens is goedkoper dan het bezitten van een GPU voor vrijwel elk volume dat je als incidenteel zou bestempelen. Een 9B zelf hosten is alleen voordeliger wanneer het volume hoog is, de data je netwerk niet kan verlaten, of de taak het ene smalle ding is waarvoor de 9B is getraind.

Wanneer het fantoommodel van belang zou zijn geweest

Er zit een echte leemte in de Qwen-line-up, en het loont om die te benoemen, want dat verklaart waarom zo veel mensen naar deze vergelijking hebben gezocht. Een 9B dense model met een contextvenster van 262K en een vocabulaire van de Qwen3.8-generatie, verkocht voor ongeveer de prijs van Qwen3.5-9B, zou de voor de hand liggende budgetkeuze zijn voor beeldintensieve pipelines — goedkoper dan de 27B, capabeler dan de 4B en klein genoeg om op één kaart zelf te hosten. Qwen heeft er geen uitgebracht, dus die plek wordt momenteel opgevuld door ofwel de oudere Qwen3.5-9B ofwel een community-distillatie zonder leverancier erachter.

ZoomGain-9B is ook niet dat model, en dat onderscheid is belangrijk. Het is een perceptiespecialist met een kwestie rond een onderzoekslicentie en zonder gehoste route, geen kleinschalige Q​wen voor algemeen gebruik. Als je van "Q​wen 3.8 8B" een goedkope generalist verwachtte, zal ZoomGain-9B je op alles teleurstellen, behalve op fijne details. Als je een model wilde dat het serienummer in een 4K-foto kan vinden, is het een van de weinige kleine checkpoints die specifiek daarvoor zijn gebouwd.

Voor het generalistische geval zijn de realistische vervangers de gehoste Qwen3.5-lijn — 35B-A3B tegen $0,057 per miljoen inputtokens, 27B tegen $0,086 — die de budgetplek vullen die de ontbrekende 8B zou hebben ingenomen, met een grotere footprint en een echt endpoint. Voor het perceptiegeval is er geen gehoste vervanger die we kunnen aanbieden: Qwen3-VL-8B-Instruct tegen $0,18 input en $0,70 output per miljoen tokens accepteert afbeeldingen en werkt als plaatsvervanger om te testen of je fouten detailfouten zijn, maar het is niet getraind zoals ZoomGain en zal het op uitsneden niet evenaren.

Wat moet ik hiermee concreet doen?

Als je hierheen kwam voor een oordeel over ZoomGain-9B versus Qwen3.8-8B: het oordeel is dat de tegenstander niet bestaat en dat elke pagina die je er een gaf, de helft van de vergelijking heeft verzonnen. De twee echte vragen zijn beperkter en beide vandaag te beantwoorden.

Vraag één: is een 9B-finetune van {{1}}Qwen3.5-9B{{/1}} beter dan {{2}}Qwen3.5-9B{{/2}} in fijnmazige waarneming? Volgens de cijfers van de auteurs: ja, met 6,35 punten op de held-outset en met veel meer op de benchmarks waarop de training was gericht. Dat is een sterk resultaat voor 9.000 voorbeelden en het meest interessante aan de release.

Vraag twee: is ZoomGain-9B op iets dat voor jou van belang is beter dan Qwen3.8-27B? Wat algemene capaciteiten betreft: nee — de 27B is nieuwer, groter, beter gedocumenteerd, gelicentieerd, gehost en op veel meer dimensies geëvalueerd. Op een benchmark die is samengesteld op basis van ZoomGain's eigen trainingsdistributie scoort hij 10,7 punten hoger, wat je vertelt dat de training heeft gewerkt en je niets vertelt over welk model je moet kopen.

De beslissing die volgt is onglamoureus. Gebruik een gehost Qwen-model voor algemeen werk, want het kost $0.33 per miljoen inputtokens en is beschikbaar met één API-aanroep. Download ZoomGain-9B alleen als je een specifieke taak met fijne details hebt, een GPU, en een advocaat die een licentiebestand heeft gelezen dat de leverancier niet heeft gepubliceerd.