ZwZ2-27B: De gewichten kwamen op 16 oktober aan, de uitleg volgde tien dagen later.

ZwZ2-27B is sinds 16 oktober 2026 downloadbaar via Hugging Face. In de eerste tien dagen van zijn openbare bestaan was er geen aankondiging, geen paper, geen README en geen vermelde licentie — alleen twee bf16 safetensors-shards onder inclusionAI, en een repository die geen reden gaf om te bestaan. Op 26 oktober verscheen een modelkaart. Daarin staat dat het model een met reinforcement learning getraind visie-taalsysteem is, gebouwd op Qwen3.6-27B, en het publiceert een evaluatie op 25 benchmarks waarin het model die basis overall met 4,99 punten verslaat.

Dat is alles wat er nieuw is, en het loont om dat te onderscheiden van wat mensen zullen denken dat er is gebeurd. Dit is geen lancering. De gewichten zijn elf dagen oud en de leverancier heeft ze nog steeds niet aangekondigd. Wat deze week is veranderd, is dat we eindelijk kunnen lezen waarvoor inclusionAI denkt dat het model bedoeld is.

Wat er daadwerkelijk is veranderd, per datum

De commitgeschiedenis van de repository zelf is het zuiverste beschikbare bewijs, en ze maakt het verhaal niet mooier. Drie commits bevatten alles:

• 16 oktober, 05:42 UTC — initiële commit, daarna tien minuten later “Add ZwZ2-27B model weights”. Config, tokenizer, processor en de twee gewichts-shards. Geen README.

• 26 oktober, 02:58 UTC — “Create README.md”. De eerste schriftelijke beschrijving van het model, tien dagen na de gewichten.

• 26–27 oktober — herhaalde README-revisies en uploads van zes bestanden terwijl de benchmarkcijfers en beeldassets werden samengesteld.

Op het moment van schrijven toont de repository zeven downloads en nul likes. Het bijbehorende GitHub-project, inclusionAI/Zooming-without-Zooming-v2, werd gemaakt op 14 oktober en heeft één ster. Zoekopdrachten naar de modelnaam in het Engels leveren berichtgeving op over de oudere ZwZ-2B/4B/8B-familie en over de ZwZ2-9B van 16 oktober, en helemaal niets over de 27B. Als hier een lancering heeft plaatsgevonden, dan gebeurde die zonder publiek.

Het model in het configuratiebestand

Configbestanden zijn het minst glamoureuze en meest betrouwbare onderdeel van elke release. Dit bestand beschrijft een dense vision-languagemodel waarvan de architectuurdeclaratie Qwen3_5ForConditionalGeneration is — dezelfde klasse die de eigen modellen van Qwen gebruiken — met de volgende cijfers:

• Teksttoren — verborgen grootte 5.120, 64 lagen, 24 query-heads en 4 KV-heads met headdimensie 256, feedforwardbreedte 17.408.

• Attention-indeling — een 3:1-verhouding van lineaire-attentionlagen tot full-attentionlagen, 16 keer herhaald, met afgewisselde M-RoPE en een rotatiebasis van 10.000.000.

• Vocabulaire en context — 248.320 tokens, 262.144 native posities.

• Visiontoren — 27 lagen met een verborgen dimensie van 1.152, projecterend naar 5.120, patchgrootte 16 met 2×2 ruimtelijke samenvoeging.

• Multi-tokenvoorspelling — mtp_num_hidden_layers ingesteld op 0, d.w.z. de MTP-head is verwijderd ten opzichte van de Qwen-backbone.

Die laatste regel is het enige structurele verschil met de basis. Al het andere — aantal lagen, head-geometrie, vocabulaire, contextplafond, vision-diepte — komt overeen met Qwen3.6-27B precies. ZwZ2-27B is dezelfde body met een ander posttrainingsregime en één speculative-decoding-head minder.

Het betekent ook dat het model niet klein is. Met 27B parameters in bf16 zijn de gewichten ongeveer 54 GB verdeeld over twee shards, wat een comfortabele belasting oplevert op één accelerator van 80 GB of een krappe op twee kaarten van 40 GB. Er is geen gequantiseerde variant in de repository, geen vLLM- of SGLang-recept, en geen servingnotities buiten een Hugging Face transformers-quickstart die aan versie 5.13.1 is vastgezet.

De +4,99-claim, en precies wat die omvat

De kop van de kaart is dat het model op 25 benchmarks in zes domeinen ‘op elke benchmark beter presteert dan zijn basismodel’, waardoor het algemene gemiddelde van 55,52 naar 60,51 gaat. Beide helften van die zin kloppen met de gepubliceerde resultatenfiguur, en beide hebben een kwalificatie nodig.

De nuance is dat dit de eigen harness van inclusionAI betreft, zijn eigen benchmarkselectie en zijn eigen scoring, gepubliceerd in zijn eigen repository. Niets hiervan is buiten de organisatie gereproduceerd. Het is een leveranciersevaluatie in de gewone zin: nuttig om te zien waarop het team heeft geoptimaliseerd, niet bruikbaar als een onafhankelijk cijfer.

De andere kanttekening is schaal. Een winst van 4,99 punten op een gemiddelde over 25 benchmarks is echte beweging, maar dat gemiddelde is een gemiddelde van nauwkeurigheden over zeer verschillende taken, per domein gelijk gewogen. Het is geen bekwaamheidsindex en mag nooit worden vergeleken met een score uit een andere suite.

Hier is de uitsplitsing op domeinniveau, basis versus getuned:

• Fijnmazige perceptie — 62,09 tot 67,57, een winst van 5,48 over acht benchmarks, waaronder VStar, HR-8K en MME-RealWorld.

• Ruimtelijke waarneming — 49,72 tot 55,98, een toename van 6,26 over zes benchmarks.

• Begrip van lange context — 65,87 naar 68,77, een toename van 2,90 over drie benchmarks.

• Belichaamd ruimtelijk redeneren — 50,17 tot 55,71, een winst van 5,54 over drie benchmarks.

• Multimodale agents — 49,73 naar 51,81, een toename van 2,08 op drie benchmarks.

• Algemeen visueel redeneren — 47,89 naar 53,71, een stijging van 5,82 op MMStar en BabyVision.

Waar de verbeteringen zich concentreren — en waar het model nog zwak is

De vorm van die tabel is belangrijker dan het gemiddelde ervan. De grootste relatieve winsten vallen in ruimtelijke perceptie en belichaamd redeneren, wat overeenkomt met wat de methode beweert te onderwijzen: het vergelijken, matchen en aggregeren van bewijs over meerdere gemarkeerde regio's van één afbeelding, door tijdens inferentie volledige afbeeldingen te gebruiken en zonder externe zoom-aanroepen.

De twee kleinste winsten zijn lange-context- en multimodale agents. Dat zijn ook de twee domeinen waarop het basismodel al het sterkst was ten opzichte van de taak, wat het gebruikelijke patroon is bij RL-finetuning op een smal datarecept: het verschuift wat het beloningssignaal kan zien.

De absolute cijfers zijn de meer ontnuchterende lezing. Chartography staat op 12,00. AgentVista staat op 18,18. Perception-Bench op 44,93. Een model kan overall vijf punten winnen en toch op meerdere afzonderlijke benchmarks in de set bijna onbruikbaar zijn, en dit model is dat. Wie “60,51 overall” aanhaalt als een algemeen bekwaamheidscijfer, citeert een gemiddelde dat een 12 verbergt.

Het trainingsrecept verklaart de bovengrens. EvidenceConnect bouwt zijn data op uit SA-1B-afbeeldingen door drie tot zeven verwante regio's te groeperen, vragen te genereren met bevoorrechte ingezoomde uitsneden, te filteren op overeenstemming tussen modellen en drop-one-region-tests, om te zetten naar taken met vier opties, en te trainen met GRPO — alle drie de modelgroottes op ongeveer 20.000 voorbeelden, zonder een fase met supervised fine-tuning. Dat is een gericht dieet. Het levert betrouwbaar perceptie op regioniveau en pretendeert niet open-ended redeneren te leveren.

De kolommen met referentiemodellen verdienen een waarschuwing.

De resultatenfiguur bevat ook drie API-modellen als referentiepunten: GPT-5.6-Luna op 54.02, GLM-5.3-Flash op 57.24 en DeepSeek-V4.1-Flash op 55.47, tegenover 60.51 van ZwZ2-27B. Op het eerste gezicht zet dat een stilletjes geüploade open-weights-checkpoint boven drie gehoste productiemodellen.

Drie dingen zouden die interpretatie moeten temperen. Ten eerste wordt de beperking door de servingomgeving in de kaart zelf vermeld: de beeldresolutie van geavanceerde modellen werd beperkt door hun servingplatforms, wat een reëel nadeel is op een benchmarkset met veel fijne details. Ten tweede zijn dit niet de eigen gepubliceerde evaluaties van die leveranciers — het is inclusionAI dat modellen van andere bedrijven door de harness van inclusionAI laat draaien, zonder enige aanwijzing dat de leveranciers erbij betrokken waren of de cijfers hebben bevestigd. Ten derde is de GPT-kolom voor sommige rijen expliciet gemarkeerd als niet gerapporteerd, waardoor de referentieset ongelijkmatig gevuld is.

Niets daarvan maakt de cijfers onjuist. Het betekent wel dat het metingen zijn van één lab aan zijn concurrenten op een benchmarksuite waarbij zijn eigen model tien dagen extra tuning had gekregen. Beschouw de vergelijking met het basismodel als de betekenisvolle en de API-kolommen als context.

Wat ontbreekt er nog?

De eerlijke inventaris van onbekenden is langer dan de lijst van bekenden, en die begint bij de licentie. De front matter van de modelkaart markeert het basismodel, de dataset en de pipeline-taak; er wordt geen licentie in gedeclareerd. In de hoofdtekst staat dat men “moet verwijzen naar de licentie die bij de vrijgegeven weights hoort en naar de toepasselijke backbone-licentie”, wat circulair is wanneer de weights zelf er geen bevatten. Qwen3.6-27B is Apache-2.0, dus de backbone-kant is duidelijk. De voorwaarden van het afgeleide model zijn dat niet, en voor een bedrijf dat dit in een product wil uitbrengen, weegt die enkele weglating zwaarder dan welke benchmarkrij dan ook.

Het artikel is ook nog niet verschenen. De kop van de kaart zelf bevat de letterlijke placeholdertekst <!-- Replace PAPER_URL with the final v2 paper URL. --> en linkt naar PAPER_URL. De projectrepository bestaat; het verslag waarnaar die zou moeten verwijzen, bestaat niet.

Daarnaast:

• Er bestaat van niemand een onafhankelijke evaluatie van ZwZ2-27B.

• Er is geen aankondiging van een leverancier, blogpost of sociale-mediapost gevonden voor dit model.

• De gepubliceerde evaluatie betreft de low/thinking-modus — de quickstart van de modelkaart draait met enable_thinking=False en de chat-template vraagt om antwoorden binnen <answer>-tags. Getallen uit de thinking-modus maken geen deel uit van de bewering.

• Geen frameworkondersteuning buiten de vastgepinde Transformers-versie. Geen GGUF, geen AWQ, geen gepubliceerde vLLM-config.

• De kaart somt bekende faalmodi op — gehallucineerde details, verkeerd gelezen tekst, tel- en ruimtelijke fouten — wat meer openhartigheid is dan de meeste leverancierskaarten bieden en een eerlijke samenvatting van hoe een 12,00 op Chartography er in de praktijk uitziet.

Hoe kun je het evalueren zonder er iets op in te zetten?

ZwZ2-27B staat niet in onze catalogus, en dit stuk mag niet zo worden gelezen dat het dat suggereert. Om het vandaag te draaien, download je 54 GB aan gewichten, installeer je een specifieke Transformers-build en serveer je het zelf — wat een redelijke middagbesteding is als je de hardware al hebt, en een slechte middagbesteding als je deze week een productvraag probeert te beantwoorden.

Een goedkopere aanpak is de bewering testen in plaats van het model. De bewering is beperkt: dat RL op een dataset met 20K voorbeelden voor regiovergelijking een Qwen3.6-27B-checkpoint beter maakt in het lezen van fijne details zonder zoomtools. Als dat je werkelijke knelpunt is — dichte documenten, grafieken, UI-screenshots, vragen over meerdere regio's — dan is het basismodel de controleconditie, en zijn opvolger is hier al routeerbaar: Qwen3.8-27B en Qwen3.5-27B staan beide op OrcaRouter achter één sleutel, naast meer dan 200 andere modellen tegen providerlijstprijs zonder opslag. Als een zelfgehoste ZwZ2-27B het blijkt waard te zijn om over te nemen, kun je die op dezelfde sleutel zetten en automatische failover laten beslissen tussen dat model en een gehoste generalist, in plaats van de integratie te herschrijven.

Wat dit van een "interessante upload" naar een "adopteerbaar model" zou tillen, is een korte lijst. Een benoemde licentie. Een paper waarmee iemand de opzet van de benchmark kan controleren. Eén onafhankelijke run — zelfs een gedeeltelijke — op benchmarks die de leverancier niet zelf heeft gekozen. En een aankondiging, die na elf dagen stilte steeds meer op een bewuste afwezigheid dan op een vergissing begint te lijken.

Tot dan is de verdedigbare bewering beperkt en de moeite waard om ronduit te stellen: een ongedocumenteerd 27B-checkpoint van inclusionAI staat sinds 16 oktober op Hugging Face, en op 26 oktober zijn de auteurs bereid een verbetering van vijf punten ten opzichte van Qwen3.6-27B te claimen op een benchmarksuite die ze zelf hebben gebouwd. Dat is een hypothese waar gewichten aan hangen. Het is nog geen resultaat.