ZwZ2-27B vs ZwZ2-9B: Wat drie keer zoveel parameters werkelijk oplevert

Op precies één benchmark in de 25-testtabel van inclusionAI wint het kleinere model. Chartografie — waarden van grafieken aflezen — geeft ZwZ2-9B een score van 13,00 en ZwZ2-27B een score van 12,00. Beide zijn laag. Geen van beide is goed. Maar de richting is het interessante deel, want deze twee modellen zijn hetzelfde experiment op twee groottes: één trainingsrecept, één dataset, één methode uit de paper, toegepast op respectievelijk een Qwen3.5-9B-body en een Qwen3.6-27B-body. Als het recept identiek is en het grotere model drie keer zoveel parameters heeft, is de rekensom van waar die omvang zich daadwerkelijk laat zien verrassender dan de algemene scores in de kop suggereren.

Het is ook goed om vooraf te vermelden dat beide modellen op dezelfde stille manier verschenen. De repository van ZwZ2-9B werd aangemaakt op 16 oktober 2026 om 03:42 UTC; die van ZwZ2-27B om 05:42 diezelfde ochtend. Beide bevatten tien dagen lang alleen gewichten en geen documentatie, en beide kregen op 26 oktober modelkaarten met volledige benchmarktabellen. Geen van beide vermeldt een licentie. Geen van beide heeft een gepubliceerd paper — de kaarten bevatten nog steeds de placeholder PAPER_URL.

Eén recept, twee lichamen

De trainingsmethode is niet alleen vergelijkbaar tussen de twee; het is dezelfde methode toegepast op twee backbones, waardoor ze ongewoon zuiver te vergelijken zijn. EvidenceConnect groepeert drie tot zeven gerelateerde regio's uit SA-1B-afbeeldingen, genereert vragen met behulp van geprivilegieerde ingezoomde crops, filtert die vragen op basis van overeenstemming tussen modellen en een drop-one-region-test, zet de overlevenden om in taken met vier opties, en traint met GRPO — geen fase met supervised fine-tuning. Beide modellen gebruiken ongeveer 20.000 trainingsvoorbeelden.

De lichamen verschillen op de gebruikelijke manier:

• Schaal — 9B parameters verdeeld over 32 lagen met een hidden size van 4.096, tegenover 27B over 64 lagen met een hidden size van 5.120.

• Attention — 16 query-heads en 4 KV-heads met dimensie 256 voor de 9B, tegenover 24 query-heads en 4 KV-heads met dezelfde dimensie voor de 27B.

• Feed-forward — tussenliggende grootte van 12.288 versus 17.408.

Vision — dezelfde tower in beide: 27 lagen met een hidden size van 1,152, die respectievelijk naar 4,096 en 5,120 projecteren.

• Context en vocabulaire — identiek op 262.144 posities en 248.320 tokens.

• Multi-tokenvoorspelling — uit beide verwijderd, met mtp_num_hidden_layers op 0.

• Basismodellen — Qwen3.5-9B voor de kleine, Qwen3.6-27B voor de grote. Dat is het detail dat de vergelijking ingewikkeld maakt, en de volgende sectie gaat over waarom.

Waar het totale verschil van 3,92 punten eigenlijk vandaan komt

Dit is de bevinding die ik niet verwachtte voordat ik de aftrekking deed. De totale gemiddelden zijn 60,51 voor ZwZ2-27B en 56,59 voor ZwZ2-9B — een verschil van 3,92 punten. Kijk nu naar wat elk recept aan zijn eigen basis toevoegde, wat in dezelfde tabellen is gepubliceerd, door hetzelfde lab, op dezelfde harness:

• ZwZ2-27B — basis Qwen3.6-27B op 55,52, getuned op 60,51. Winst van 4,99.

• ZwZ2-9B — basis Qwen3.5-9B op 51,63, getuned op 56,59. Toename van 4,96.

Het recept levert bij beide schalen vrijwel exact dezelfde verbetering op. Drie keer zoveel parameters leverde 0,03 punt extra trainingswinst op. En de basismodellen lagen al 3,89 punt uit elkaar voordat een van beide werd aangeraakt.

Dus van de kloof van 3,92 punten tussen de voltooide modellen waren 3,89 punten geërfd van de checkpoints waar ze mee begonnen. De specialisatie creëerde de kloof niet. Ze behield die bijna perfect.

Dit is een vergelijking binnen één lab en met één harness, dus het aftrekken is gerechtvaardigd op een manier waarop dat bij vergelijkingen tussen leveranciers nooit het geval is — elk van die vier getallen komt uit dezelfde tabel, geproduceerd door dezelfde evaluatiecode, op dezelfde benchmarkset. De afronding is zo grof dat 0,03 niet als precisie moet worden opgevat; de eerlijke interpretatie is ‘niet te onderscheiden.’

Praktisch betekent het dat de keuze tussen deze twee modellen vrijwel neerkomt op kiezen tussen Qwen3.5-9B en Qwen3.6-27B, plus een vaste perceptuele aanpassing. Als je voor jouw workload niet voor het grotere basismodel zou hebben gekozen, zal de ZwZ2-training die beslissing niet veranderen.

Domein voor domein: de grootte verschijnt op één plek

Gemiddelden verbergen de structuur, en hier is de structuur scheef. Als we de twee getunede modellen over de zes domeinen vergelijken:

• Fijnmazige perceptie — 67,57 voor de 27B tegenover 66,02 voor de 9B. Een verschil van 1,55, het kleinste van de zes.

• Ruimtelijke waarneming — 55,98 tegenover 52,33. Een verschil van 3,65.

• Algemeen visueel redeneren — 53,71 tegenover 49,83. Een verschil van 3,88.

• Belichaamd ruimtelijk redeneren — 55,71 tegenover 51,11. Een verschil van 4,60.

• Begrip van lange contexten — 68,77 tegen 64,08. Een verschil van 4,69.

• Multimodale agenten — 51,81 tegen 42,43. Een verschil van 9,38.

Het patroon is consistent: het voordeel van het grotere model verdubbelt ruwweg wanneer de taak verschuift van het kijken naar een afbeelding naar het handelen op basis daarvan. Op de acht fijnkorrelige perceptiebenchmarks — degene waarvoor de methode expliciet is ontworpen — liggen de twee modellen binnen anderhalve punt van elkaar, waarbij Chartography achteruitloopt.

Het agentische domein is waar de 27B zijn geheugengebruik rechtvaardigt, en het grootste deel van dat verschil komt uit één enkele test. UI-Vision scoort 66,66 voor ZwZ2-27B en 45,48 voor ZwZ2-9B — een verschil van 21,18 punten, groter dan enig ander in de tabel. ScreenSpot-Pro en AgentVista dragen kleiner bij, met 70,59 tegen 66,98 en 18,18 tegen 14,83.

UI-Vision is een interface-groundingbenchmark, en het resultaat zegt iets specifieks in plaats van iets algemeens: als je workload eruit bestaat een software-interface te lezen en te bedienen, doet de 27B iets wat de 9B grotendeels niet kan. Als je workload eruit bestaat gemarkeerde gebieden op een foto of een documentpagina te vergelijken, doet de 9B bijna hetzelfde met een derde van de gewichten.

De enige test die het kleine model wint, en hoeveel waarde eraan moet worden gehecht

Chartografie is het waard om bij stil te staan, juist omdat het de uitzondering is die bewijst hoe smal de specialisatie is. Beide scores zijn verschrikkelijk — 13,00 en 12,00 van de 100, tegenover een Qwen3.6-27B-basis van 8,00 en een Qwen3.5-9B-basis van 7,00. De training tilde beide modellen met ongeveer vijf tot zes punten op bij een taak die ze nog steeds niet betrouwbaar kunnen uitvoeren, en de verbetering van de 9B kwam toevallig één punt hoger uit.

De juiste conclusie is niet dat de 9B beter is in grafieken. Ze is dat op een taak die zo ver buiten de trainingsverdeling ligt, het verschil tussen de twee modellen ruis is, en dat het redelijke gedrag is om grafieklezen volledig ergens anders heen te routeren. Een model dat 12 of 13 scoort op een grafiekbenchmark heeft geen grafiekvaardigheid om tussen te kiezen.

Dezelfde voorzichtigheid geldt voor de andere lage absolute scores. ZwZ2-9B scoort gemiddeld 42,43 bij multimodale agents en 18,18 op AgentVista; ZwZ2-27B scoort gemiddeld 51,81 en 18,18. Beide zijn in absolute termen zwak in agentisch werk, en het feit dat de grotere veel minder zwak is, maakt hem niet sterk.

Hoe de geheugenvoetafdruk er echt uitziet

Het parameterverschil is het deel dat je elke dag betaalt. ZwZ2-9B is één safetensors-bestand van 9,41 miljard parameters, ongeveer 19 GB in bf16. ZwZ2-27B is verdeeld over twee shards met een totale omvang van ongeveer 54 GB. Tel daar de activaties van de vision-tower en een KV-budget van 262.144 posities bij op, en de praktische verdeling is:

• ZwZ2-9B — een comfortabele fit op één enkele 24 GB-consumentenaccelerator bij bf16, krap maar werkbaar; er bestaat geen gequantiseerde release, dus je draait volledige precisie tenzij je zelf quantiseert.

• ZwZ2-27B — een 80 GB-kaart met wat extra ruimte, of twee 40 GB-kaarten over een krappe tensor-parallelle verdeling. Niets daaronder draait het op bf16.

• Ondersteuning voor serveren — geen van beide repositories levert een vLLM- of SGLang-recept. Beide zetten transformers==5.13.1 vast in de quickstart, en beide zijn alleen gedocumenteerd in non-thinking-modus met antwoorden verpakt in <answer>-tags. Geen van beide vermeldt een licentie, wat voor een productie-implementatie een grotere hindernis is dan elk van beide geheugenwaarden.

Dat laatste punt verdient een eigen zin, want het is aan beide kanten hetzelfde: er is geen licentie om te lezen. De kaarten verwijzen naar “de licentie die bij de vrijgegeven gewichten hoort,” en de gewichten bevatten er geen. Welke grootte je ook kiest, de commerciële vraag blijft onbeantwoord.

Beide gebruiken in plaats van te kiezen

De domeintabel wijst sterker op een tweetrapspatroon dan op een winnaar. Fijnmazige perceptie verandert nauwelijks tussen de groottes, dus de 9B is daar een verstandige eerste verkenning; agentisch interfacewerk verschuift met meer dan negen punten op het domeingemiddelde en eenentwintig op UI-Vision, dus dat verkeer hoort bij de 27B. Een router die op taaktype routeert, zou de meeste tokens aan het goedkope model besteden en het dure model voor schermen reserveren.

Geen van beide ZwZ2-varianten staat in onze catalogus, dus dat patroon betekent vandaag dat je twee checkpoints op je eigen hardware draait en de dispatch zelf schrijft. Waar OrcaRouter in past, is de generalistische kant van dezelfde stack: Qwen3.8-27B en Qwen3.5-27B zijn beide hier routeerbaar achter één sleutel tegen de lijstprijs van de provider zonder markup, zodat de workload die geen regiovergelijking nodig heeft naar een gehost model kan met automatische failover, terwijl het gespecialiseerde verkeer lokaal blijft. Dat is een kleinere claim dan ‘ZwZ2 via ons routeren’, wat we niet kunnen aanbieden — maar het is het deel van de architectuur dat nu daadwerkelijk beschikbaar is.

De eerlijke samenvatting is weinig glamoureus. Twee checkpoints, hetzelfde recept, dezelfde stilte, dezelfde ontbrekende licentie, en een prestatiekloof die vrijwel volledig bestaat uit de al bestaande kloof tussen de basismodellen plus één echte specialisatie aan de bovenkant voor interfacewerk. Als je de UI-cijfers van de 27B nodig hebt, heb je de 27B en de 80 GB-kaart nodig. Zo niet, dan kom je met de 9B binnen anderhalve punt op de taak die het hele project beoogde te verbeteren, en hij past op hardware die je waarschijnlijk al bezit.