ZwZ2-4B vs Qwen3.8-27B: een 4,5B-specialist ontmoet Qwens 28B-vlaggenschip

Stel dat je imagepipeline 200.000 queries per dag verwerkt en je één kaart van 16 GB hebt. Die ene beperking sluit Qwen3.8-27B al uit nog vóór er ook maar een benchmark ter sprake komt: bij 28 miljard parameters zijn de BF16-gewichten alleen al ongeveer 56 GB, en geen enkele slimme serving-truc krijgt ze op 16 GB zonder kwantisatie waarvoor je niet hebt gebudgetteerd. ZwZ2-4B, met 4,54 miljard parameters en een gewichtenbestand van 9,08 GB, past wel. De eerlijke vraag is dus niet welk model beter is. Ze is of de beperktere capaciteit van het kleine checkpoint een echte belemmering vormt voor jouw workload, of dat je op het punt stond om voor een flagship te betalen om vragen over uitsneden van productfoto's te beantwoorden.

Er is een complicatie die deze confrontatie vreemder maakt dan de slug doet vermoeden. De 3.8-generatie van Qwen heeft nooit een model in deze grootteklasse uitgebracht. De leden ervan zijn het 27B dense model van 5 augustus 2026, een mixture-of-experts met 2,4 biljoen parameters van 8 augustus, en Flash-Next op 24 augustus — dat, ondanks de naam, een model met 180 miljard parameters uit een andere architectuurfamilie is. Geen enkel dense model onder 27B. Dus ZwZ2-4B heeft als echte tegenstander van gelijke grootte Qwen3.5-4B, het checkpoint uit februari waarop het is fine-getuned. Qwen3.8-27B komt deze vergelijking binnen als de bovengrens, niet als de evenknie.

Er is geen benchmark waarop deze twee samen kunnen komen.

Begin met het punt dat de meeste vergelijkingspagina's oneerlijk maakt. Qwen3.8-27B heeft gepubliceerde evaluaties en een ecosysteem; ZwZ2-4B heeft 25 benchmarkresultaten die alleen in de eigen modelkaart bestaan, geproduceerd door het lab dat het heeft getraind, zonder enige onafhankelijke replicatie ergens. Je kunt een door de leverancier gerapporteerde 54,79 niet naast een benchmarksuite van een ander lab leggen en ze van elkaar aftrekken. De twee getallen zijn niet geproduceerd op dezelfde taken, met dezelfde resolutie, onder dezelfde harness.

Dit stuk zet ze dus niet tegen elkaar af. Het vergelijkt waarvoor elk bedoeld is, wat elk kost om te draaien, en wat de kleinere moet inleveren. Waar een getal voorkomt, staat erbij wie het heeft geproduceerd.

De kloof, dimensie voor dimensie

• Parameters — ZwZ2-4B 4,539,265,536 vs Qwen3.8-27B 28B op de eigen kaart

• Gewichten op schijf — ongeveer 9,08 GB BF16 versus ruwweg 56 GB BF16

• Diepte — 32 lagen vs 64

• Breedte — verborgen grootte 2.560 vs 5.120

• Attention-vorm — 16 query-heads tegenover 4 KV-heads bij head-dimensie 256, in beide

• Aandachtsschema — een 3:1-verhouding van lineair naar volledig in beide

• Contextvenster — 262,144 posities in beide

• Woordenschat — 248,320 tokens in beide

• Vision-toren — 24 lagen bij een verborgen dimensie van 1.024 versus 27 lagen bij een verborgen dimensie van 1.152

• Licentie — geen opgegeven voor ZwZ2-4B tegenover Apache-2.0 voor Qwen3.8-27B

De vier overeenkomende rijen zijn de interessante. Beide modellen erven dezelfde architectuuridentificatie, qwen3_5, met dezelfde attention-geometrie en hetzelfde contextplafond. De 3.8-generatie heeft de stack niet opnieuw ontworpen; ze heeft hem geschaald. Daarom lijkt de configuratie van de 4B op een miniatuur van die van de 27B in plaats van op een vreemd object, en daarom erft de 4B ook de serving-karakteristieken van de 27B — de linear-attention-lagen zijn wat een context van 262K betaalbaar maakt op deze grootte.

Het enige cijfer dat appels met appels vergelijkt in de hele confrontatie

De modelkaart van ZwZ2-4B vermeldt zijn basismodel op 49,41 en zichzelf op 54,79 over 25 benchmarks, een winst van 5,38 punten. Dat is een vergelijking tussen twee checkpoints die volgens dezelfde procedure zijn getraind en gemeten, op dezelfde taken, door hetzelfde lab. Het is nog steeds door de leverancier gerapporteerd, en de selectie van benchmarks is die van het lab, maar ten minste zijn beide kanten van de aftrekking vergelijkbaar.

Hieruit volgen twee dingen. Ten eerste: de winst is alleen echt in de zin dat het lab die heeft gemeten; niemand heeft de 54,79 gereproduceerd. Ten tweede, en nuttiger: de baseline is een sterk model. Qwen3.5-4B wordt maandelijks 7,4 miljoen keer gedownload en heeft 1.145 likes — het is een breed uitgerolde checkpoint met een echt ecosysteem. Als ZwZ2-4B 5,38 punten beter is op taken waarin waarneming zwaar weegt, is dat een betekenisvol verschil ten opzichte van een model dat mensen daadwerkelijk draaien. Als het 5,38 punten beter is op benchmarks die zijn gekozen om precies dat te belonen waarvoor het is getraind, zal het verschil in productie kleiner zijn.

De methode verklaart welke interpretatie waarschijnlijker is. ZwZ2 werd getraind met GRPO op vierkeuzevragen met één juist antwoord, opgebouwd uit uitsneden van SA-1B-regio's — ongeveer 20.000 ervan — zonder fase van supervised fine-tuning. Elk trainingssignaal dat het model ooit zag, was een vierkeuze-afweging over of een regio het bewijs bevat dat een vraag nodig heeft. Bij een workload van die vorm zou de 5.38 stand moeten houden. Open-ended beschrijving heeft niet die vorm.

Wat een 28B-vlaggenschip oplevert dat een 4.5B niet kan

Qwen3.8-27B is een algemeen visie-taalmodel: afbeeldingen, video, flexibele sturing van het denkproces, een Apache-2.0-licentie en voldoende parameterruimte om een breed voortrainingdieet te hebben opgenomen in plaats van één smal, hoogwaardig synthetisch curriculum. Het aantal downloads — 7,5 miljoen vorige maand, met 18.500 likes — is het ecosysteemsignaal dat ertoe doet wanneer je een backbone kiest in plaats van een specialist. Adapters, quantisaties, fine-tunes en tooling bestaan ervoor en bestaan niet voor een checkpoint met nul downloads.

De breedte komt tot uiting in de faalmodi. De kaart van ZwZ2-4B noemt hallucinaties, verkeerd gelezen tekst, telfouten en ruimtelijke fouten, en merkt op dat resultaten afhangen van beeldresolutie, contextlengte en promptformaat. Een 28B-generalist heeft in principe dezelfde faalklassen, maar met meer capaciteit om details vast te houden over een langere context en zonder de eis dat de taak op een vierkeuzevraag lijkt.

Voor documentextractie, redeneren over meerdere pagina's, video, of alles waarbij het antwoord een alinea is in plaats van een gebied, is de 27B het betere instrument, en het grootteverschil is niet de beslissende factor — de trainingsdoelstelling is dat.

De kostenberekening, met echte prijzen

Hier is de vergelijking niet langer abstract. Op OrcaRouter, qwen/qwen3.8-27b wordt aangeboden voor $0,33 per miljoen inputtokens en $2,40 per miljoen outputtokens, met een context van 262K. Neem een representatieve beeldquery van 1.500 inputtokens en 300 outputtokens. Duizend daarvan kosten ongeveer $1,22 op de 27B. De lichtere qwen/qwen3.8-flash, tegen $0,15 en $0,47, komt voor dezelfde duizend uit op bijna $0,37. Een gehost 8B-visionmodel zit daartussen.

ZwZ2-4B heeft geen prijs per token, omdat het geen gehoste endpoint heeft — de Hugging Face-pagina meldt dat geen enkele provider het aanbiedt. De kosten zijn wat je GPU-uur kost, gedeeld door de doorvoer, en het is de enige optie in deze vergelijking die op één 16 GB-kaart draait. Dat is het hele economische argument voor het kleinere model, en het is een sterk argument als je al voor de hardware betaalt.

Eén structureel punt over routing, omdat dit van invloed is op hoe je dit test. OrcaRouter geeft de lijstprijzen van providers door met 0% opslag, dus wanneer Qwen de prijs van een gehost Qwen-model wijzigt, verandert het bovenstaande getal dezelfde dag in plaats van bij de volgende contractverlenging. Een kostenvergelijking tussen een zelfgehost checkpoint en een gehost model is alleen eerlijk als de gehoste zijde de lijstprijs van vandaag weerspiegelt, en dat is de eigenschap die hier wordt beschreven — geen korting.

Waar het kleine model zelfs van een vlaggenschip wint

Drie gevallen, en die zijn beperkter dan de marketing voor kleine modellen doorgaans suggereert.

Het eerste is deploymentcontrole. Een BF16-bestand van 9,08 GB kan worden vastgepind, geversioneerd en naar een edge-box worden verzonden. Een bestand van 56 GB kan dat niet, en een gehoste API geeft je noch de gewichten, noch een versiegarantie. Als je productbeperking is "het model reist mee met het apparaat", dan is de 27B tegen geen enkele prijs een kandidaat.

Het tweede is kostenvoorspelbaarheid bij volume. Self-hosted inferentie heeft een vlakke kostencurve en geen meter per token. Bij 200.000 afbeeldingsquery's per dag is $1.22 per duizend ongeveer $244 per dag — ongeveer $7,300 per maand — op de 27B tegen listprijs. Of self-hosting dat verslaat, hangt volledig af van de bezettingsgraad, en één onderbenutte kaart doet dat vaak niet.

Het derde is taakspecialisatie. Als je werklast echt "welke van deze vier regio's bevat het bewijs" is, dan is ZwZ2-4B getraind op precies die vorm, met een filterstap die is ontworpen om vragen te verwijderen die zonder de regio kunnen worden beantwoord. Een generalist besteedt capaciteit aan al het andere. Dit is het geval waarin een 4,5B-checkpoint een 28B-model kan verslaan, en het is het enige geval waarin de claim van 5,38 punten van de leverancier zou betekenen wat een lezer hoopt dat het betekent.

Hoe je besluit, in de volgorde waarin de beslissing daadwerkelijk plaatsvindt

• Als de gewichten op hardware moeten staan die u zelf beheert en de hardware klein is — kies dan ZwZ2-4B, accepteer de licentie-ambiguïteit en reserveer budget voor uw eigen evaluatie.

• Als de taak bestaat uit regiogebonden meerkeuzevragen of het ophalen van visueel bewijs — test ZwZ2-4B dan op je eigen data tegen Qwen3.5-4B voordat je naar de 5.38 op de kaart kijkt. Die delta, gereproduceerd, is het enige getal dat ertoe doet.

• Als je video, lange documenten, een open einde-beschrijving of een licentie die je juridische team zal ondertekenen nodig hebt — neem dan Qwen3.8-27B en stop met lezen.

• Heb je geen hardware en geen zin om te serveren — neem dan de gehoste Qwen-route, want het alternatief is een operations-project, geen modelkeuze.

Het ongemakkelijke deel van deze matchup is dat de interessante vergelijking niet degene is die in de titel staat. ZwZ2-4B versus Qwen3.8-27B is een beslissing over deploymentklasse, vermomd als een modelvergelijking. De echte rechtstreekse confrontatie — dezelfde basis, dezelfde omvang, dezelfde servingkosten, een gemeten verschil van 5,38 punten — is ZwZ2-4B tegen Qwen3.5-4B, en dat is het experiment dat de moeite waard is om op je eigen afbeeldingen uit te voeren voordat een van deze cijfers je architectuur verandert.