ZwZ2-27B vs Qwen3.8-27B: hetzelfde skelet, twee heel verschillende gokken

Het vreemde aan ZwZ2-27B versus Qwen3.8-27B is dat de twee modellen dezelfde machine zijn. Open beide configbestanden en de getallen kloppen regel voor regel: 64 lagen, 5.120 hidden size, 24 query-heads tegenover 4 KV-heads op dimensie 256, een feed-forwardbreedte van 17.408, een vocabulaire van 248.320 tokens, 262.144 posities en een vision-tower van 27 lagen met een hidden size van 1.152. Ze declareren zelfs dezelfde architectuurklasse. Wat hen scheidt, is niet breedte of diepte. Het is wat elk lab daarna met dat lichaam heeft gedaan — en tot nu toe heeft niemand ze tegen elkaar laten draaien om erachter te komen welke keuze heeft gewonnen.

Dat ontbreken is het eerste dat je ronduit moet zeggen. De gepubliceerde evaluatie van inclusionAI voor ZwZ2-27B vergelijkt het met GPT-5.6-Luna, GLM-5.3-Flash en DeepSeek-V4.1-Flash. Qwen3.8-27B ontbreekt erin, en ook elk Qwen-model dat nieuwer is dan het model waarop ZwZ2 is gebaseerd, ontbreekt. Qwen heeft op zijn beurt ZwZ2 nooit genoemd. Elk getal hieronder is één lab dat zichzelf meet, of Qwen dat zichzelf meet, en geen enkele derde partij heeft de twee in één testopstelling gestopt.

Hetzelfde skelet, regel voor regel

Het is de moeite waard om precies te zijn over hoe dicht deze bij elkaar liggen, omdat de gebruikelijke framing "27B versus 27B" dit onderbelicht. Dit zijn niet twee modellen die toevallig op vergelijkbare schaal uitkomen; het zijn twee post-trainingruns op een uitwisselbare architectuur.

• Parameters — 27B voor beide, dense; geen van beide configuraties gebruikt mixture-of-experts-routing.

• Diepte en breedte — 64 lagen, 5.120 verborgen grootte, 17.408 tussenliggende grootte, identiek in beide bestanden.

• Attention — 24 query-heads, 4 KV-heads, head-dimensie 256, partiële rotary-factor 0,25, rotary-basis 10.000.000.

• Laagschema — een 3:1 lineair-naar-volledig attentionpatroon, 16 herhalingen, in beide.

• Vocabulaire en context — 248,320 tokens en 262,144 native posities, in beide.

• Vision-toren — 27 lagen, verborgen grootte 1.152, projecterend naar 5.120, in beide.

De praktische consequentie is dat de hardwarevraag voor beide dezelfde vraag is. Ongeveer 54 GB aan gewichten in bf16, comfortabel op één kaart van 80 GB of krap op twee kaarten van 40 GB. Geen van beide is een model dat je op een laptop draait, en geen van beide heeft een gequantiseerde release in zijn eigen repository — het ecosysteem van Qwen produceert die, en ZwZ2 heeft vrijwel geen ecosysteem.

De ene regel die afwijkt, en twee standaardwaarden die meer uitmaken

Structuurtechnisch is er precies één afwijking: Qwen3.8-27B stelt mtp_num_hidden_layers in op 1, waardoor een multi-tokenvoorspellingshoofd behouden blijft waarvan Qwen zegt dat het met meerdere stappen is getraind. ZwZ2-27B stelt het in op 0. Bij het inclusionAI-model is het hoofd voor speculatief decoderen geamputeerd, wat je doet wanneer je trainingspijplijn het niet gebruikt en je liever een kleiner, eenvoudiger artefact levert. Het is een opruimverschil, geen ontwerpstatement.

De standaardwaarden zijn waar de twee modellen echt uiteengaan, en die bepalen je integratie meer dan welke configuratiewaarde dan ook.

Denken. Qwen3.8-27B denkt standaard na voordat het antwoordt, biedt drie inspanningsniveaus met xhigh als standaard, en kan via preserve_thinking redeneercontext uit eerdere beurten behouden. ZwZ2-27B is gedocumenteerd in niet-denkmodus: de quickstart geeft enable_thinking=False mee, de chatsjabloon vraagt het model om definitieve antwoorden binnen <answer>-tags te plaatsen, en de volledige evaluatie van 25 benchmarks is op die manier uitgevoerd. Als je pipeline een respons in één doorgang verwacht, is ZwZ2-27B er direct op toegesneden. Als je wilt dat het model over een taak van vijftig stappen nadenkt, heeft Qwen3.8-27B daar de machinerie voor en de kaart van ZwZ2-27B claimt niets van dien aard.

Modaliteit. Qwen3.8-27B is gedocumenteerd voor beeld- en videobegrip, waarbij video-sampling via de servinglaag wordt aangestuurd. De configuratie van ZwZ2-27B bevat een video_token_id, maar de modelkaart en evaluatie ervan gaan volledig over stilstaande beelden en regiovergelijking. Beschouw video als onbewezen aan de inclusionAI-kant.

Wat elke partij daadwerkelijk kan bewijzen

Beide leveranciers hebben evaluaties gepubliceerd. Ze zijn niet vergelijkbaar, en de reden is niet marketing — het is dat de twee suites verschillende dingen meten.

De claim van ZwZ2-27B is gebaseerd op 25 benchmarks in zes perceptuele domeinen, gescoord door inclusionAI, waarmee het zijn eigen basis van 55.52 naar 60.51 verhoogt. De sterkste absolute cijfers liggen in fijnmazige perceptie (domeingemiddelde 67.57) en begrip van lange contexten (68.77), en de zwakste zijn Chartography met 12.00 en AgentVista met 18.18.

De gepubliceerde tabel van Qwen3.8-27B is een tekst-en-agent-suite met een vision-gedeelte, en Qwen heeft hem tegen zijn eigen voorganger getest. Sommige van de verschillen tussen Qwen3.8-27B en Qwen3.6-27B zijn enorm:

• Agentisch terminalcoderen — Terminal Bench 2.1 op 73,0, tegenover 63,4 voor Qwen3.6-27B.

• Software-engineering — QwenSWEBench op 79,0 tegenover 49,3, en DeepSWE 1.1 op 42,2 tegenover 13,3.

• Computergebruik — OSWorld-Verified op 84,3 tegenover 63,9; WebArena-Verified op 64,8 tegenover 48,8.

• Mobiel gebruik — AndroidWorld op 81,9 tegen 70,3.

• Multimodale software-engineering — SWE-MM op 38,6; RecreationBench op 47,1 tegenover 29,8.

• Wetenschappelijk redeneren — GPQA Diamond op 89,2 tegen 87,8, en HLE op 30,8 tegen 24,0.

Dat zijn Qwens eigen cijfers op Qwens eigen harness, en ze zeggen iets simpels: de 3.8-generatie is geen kleine stap ten opzichte van 3.6. Bij agentisch softwarewerk wordt de verbetering gemeten in tientallen punten, niet in enkele punten.

Waarom +4,99 tegenover 3,6 geen getal van ongeveer 3,8 is

Dit is de valkuil in de vergelijking, en je trapt er gemakkelijk in. De meest in het oog springende winst van ZwZ2-27B is +4,99 ten opzichte van Qwen3.6-27B. Qwen3.8-27B is een veel sterker model dan Qwen3.6-27B op de suite van Qwen. De verleidelijke gevolgtrekking — dat de winst van ZwZ2 het gat dicht — volgt daaruit niet, en er is een mechanische reden waarom die niet te controleren valt.

Je kunt niet tussen runs aftrekken. De 60,51 van ZwZ2-27B is een gemiddelde van accuracies over 25 perceptuele benchmarks gekozen door inclusionAI; de cijfers van Qwen3.8-27B zijn scores op een andere set benchmarks gekozen door Qwen. Een model dat 60,51 scoort op de ene suite en een model dat 84,3 scoort op een volledig andere taak zeggen je niets over hun relatieve volgorde, en elk artikel dat die getallen in één kolom zet, verzint een rangschikking die niemand heeft gemeten.

Wat er gezegd kan worden, is beperkter en nog steeds nuttig. ZwZ2-27B is een gerichte interventie op een model dat Qwen inmiddels heeft vervangen, en de gedocumenteerde omvang van de interventie — vijf punten op een perceptueel gemiddelde — is van dezelfde orde van grootte als verschillende van Qwens eigen deltas van 3,6 tot 3,8 op visietaken, en veel kleiner dan zijn deltas op agentische taken. Of de specialisatie de generatiekloof op waarneming op regioniveau weet te dichten, is precies het punt waarvoor een gedeeld evaluatieharnas nodig zou zijn. Niemand heeft er een gebouwd.

De referentiekolommen op de kaart hinten erop waarom er een antwoord zou kunnen bestaan. ZwZ2-27B scoort 60,51, waar inclusionAI GLM-5.3-Flash op 57,24 en DeepSeek-V4.1-Flash op 55,47 mat — gehoste modellen die het versloeg in een suite die rond regiovergelijking is opgebouwd, waarbij de kaart opmerkt dat de beeldresolutie van geavanceerde modellen werd beperkt door hun servingplatforms. Dat is evenzeer een resultaat over de suite als over de modellen. Het is geen bewijs over Qwen3.8-27B, dat nooit in de vergelijking aanwezig was.

De licentie beslist het voor de meeste teams voordat de benchmarks dat doen.

Qwen3.8-27B is Apache-2.0, vermeld in de frontmatter van de modelkaart, met miljoenen downloads en een ecosysteem van adapters, fine-tunes en quantisaties eromheen. ZwZ2-27B vermeldt helemaal geen licentie. De kaart verwijst naar “de licentie die bij de vrijgegeven gewichten hoort en de toepasselijke backbone-licentie,” wat een cirkelredenering is wanneer de gewichten er geen enkele bevatten.

Voor een onderzoeksteam is dat een voetnoot. Voor een bedrijf dat een model achter een product zet, is het de beslissende grens, en dat is niet eens twijfelachtig. Dat de backbone Apache-2.0 is, licentieert niet automatisch een afgeleide waarvan de eigen voorwaarden niet vermeld zijn — dat is een vraag voor juridisch adviseurs, en totdat inclusionAI daar antwoord op geeft, is de veilige lezing dat ZwZ2-27B niet is vrijgegeven voor commerciële inzet. Het ontbreken van een paper verergert dat: de kaart bevat nog steeds de letterlijke plaatshouder PAPER_URL, dus de methodebeschrijving is een README en een datasetschema, niets meer.

Wat je vandaag kunt bellen

Qwen3.8-27B is nu routeerbaar op OrcaRouter, onder één sleutel met de rest van de catalogus en tegen de lijstprijs van de provider zonder opslag — dus als Qwen zijn prijs wijzigt, is de wijziging hier dezelfde dag live in plaats van na een prijsherzieningscyclus. Het is geprijsd op $0,33 per miljoen inputtokens en $2,40 per miljoen outputtokens, met 262.144 tokens context beschikbaar. Dat is van belang voor een vergelijking als deze, waarbij de goedkopere experimenteerder meestal wint: je kunt Qwen3.8-27B vanmiddag benchmarken tegen je eigen workload zonder download of GPU.

ZwZ2-27B staat niet in onze catalogus, en het zou oneerlijk zijn om dat zachter te formuleren. Het is een zelfgehost artefact van 54 GB zonder licentie en zonder recept om het te serveren, en de enige manier om het te evalueren is het te draaien. Als het later een plek in je stack verdient, is de routinglaag waar de twee elkaar zouden ontmoeten — één endpoint, automatische failover en een beleid dat het verkeer voor regiovergelijking naar het gespecialiseerde model stuurt en al het overige naar de generalist, in plaats van een herschrijving.

Welke, op basis van werklast

Qwen3.8-27B is de verdedigbare standaardkeuze voor bijna alles. Agentisch coderen, langdurig toolgebruik, computer- en browserbesturing, algemeen redeneren, video — daar zijn de gepubliceerde winsten het grootst, en het is de enige van de twee die je vandaag legaal kunt leveren en praktisch kunt inzetten.

ZwZ2-27B heeft een nauwere use case: je draait al een pipeline van de Qwen3.6-27B-klasse, je knelpunt is meetbaar detail in documenten, grafieken of interface-screenshots, en het idee om zoom-en-crop-toolcalls aan je inferentielus toe te voegen spreekt je niet aan. Dat is precies het probleem dat inclusionAI claimt op te lossen — leer tijdens de training de vergelijking tussen gemarkeerde regio's, zodat inferentie geen tools nodig heeft. Als het basismodel de controleconditie in je eigen testomgeving is, is een lokale test van ZwZ2-27B daartegen een goedkoop en goed gesteld experiment.

Wat niet verdedigbaar is, is om de 60,51 van de leverancier te behandelen als een algemene capaciteitsscore, of om die te vergelijken met welk cijfer van Qwen3.8 dan ook alsof de twee op dezelfde schaal stonden. Dat is niet zo, en het model dat dat zou beslechten — een gedeelde harness, uitgevoerd door iemand zonder belang — is al evenmin aangekondigd als ZwZ2-27B zelf.

Drie vragen die deze vergelijking echt oproept

Is ZwZ2-27B simpelweg Qwen3.6-27B met extra training? Architecturaal gezien wel, tot en met het laagschema en de vision tower, met de multi-token prediction-head verwijderd. Qua gedrag hangt het af van een post-training-recept dat inclusionAI alleen op het niveau van een README heeft beschreven: regiogroepen van drie tot zeven, vragen gegenereerd uit geprivilegieerde crops, gefilterd op overeenstemming tussen modellen en drop-one-region-tests, en daarna GRPO op ongeveer 20.000 voorbeelden zonder een fase van supervised fine-tuning. Dat is een beschrijving van een methode, geen reproductie.

Zouden de winsten van ZwZ2-27B standhouden bij confrontatie met Qwen3.8-27B op perceptietaken? Onbekend, en niet te achterhalen op basis van de huidige gegevens. De visionsectie van Qwen3.8-27B is sterker gericht op computergebruik, browservalidatie en multimodale software-engineering dan op vergelijking op regioniveau, dus zelfs Qwen's eigen tabel beantwoordt niet de vraag die de bewering over ZwZ2 oproept.

Verandert de standaardinstelling van de denkmodus de vergelijking? Ja, meer dan de kloof in de benchmark suggereert. ZwZ2-27B wordt geëvalueerd en gedocumenteerd als een single-pass, niet-denkend model; Qwen3.8-27B is gebouwd rond instelbare redeneerinspanning. Voor latentiegevoelige perceptieaanroepen pleit dat voor het ontwerp van ZwZ2-27B, en voor alles wat beraad vereist pleit het voor dat van Qwen3.8-27B — maar de twee werden gemeten onder verschillende generatie-instellingen, dus de benchmarkcijfers dragen dat verschil ook met zich mee.