ZwZ2-9B vs Qwen3.8-27B: het kleine plekje dat de nieuwe Qwen-generatie openliet

De Qwen3.8-generatie werd uitgebracht met een dense model van 27B op 5 augustus 2026, een mixture-of-experts met 2,4 biljoen parameters op 8 augustus, en een Flash-Next-variant op 24 augustus. Er zat geen 9B in. Dat betekent dat het onderste eind van de huidige line-up nog steeds wordt ingenomen door Qwen3.5-9B, een checkpoint van 27 februari 2026 — en het betekent dat ZwZ2-9B, gepost door inclusionAI op 16 oktober 2026, op de nieuwste beschikbare Qwen3.5-stack van die grootte zit. Vergelijk het met Qwen3.8-27B en je vergelijkt niet twee modellen uit één familie. Je vergelijkt een gat van ongeveer achttien miljard parameters binnen één architectuur, omdat de 3.8-generatie die nooit heeft hernoemd.

Het eerste dat je moet begrijpen, is dat dit in geen enkele gewone zin een rivaliteit is. Qwen3.8-27B is een afgerond product met een licentie, een gehoste API, gepubliceerde evaluaties en zeven miljoen downloads in de afgelopen maand. ZwZ2-9B is een ongedocumenteerd afgeleid checkpoint in een repository zonder README. De nuttige vraag is smaller en praktischer: als een 27B-model het model is dat Qwen wil dat je draait, wat koop je dan precies door bij 9B te blijven, en wat erft het goedkopere checkpoint van de generatie erboven?

De architectuur is nooit veranderd — alleen de schaal.

Dit is de bevinding die de vergelijking de moeite van het opschrijven waard maakt, en ze is zichtbaar in twee configuratiebestanden. Qwen3.8-27B geeft zijn architectuuridentificatie op als qwen3_5. ZwZ2-9B ook. Hetzelfde modeltype, dezelfde klassenaam, hetzelfde attention-ontwerp, dezelfde tokenizer-afstamming — een generatie verschil, en het label is nooit veranderd.

Kijk voorbij de identifier en de familieovereenkomst is compleet. Beide gebruiken hetzelfde drie-op-één-schema van linear-attention-lagen naar full-attention-lagen. Beide reserveren een vocabulaire van 248.320 tokens en declareren een contextplafond van 262.144 posities. Beide gebruiken interleaved M-RoPE met dezelfde sectieopsplitsing en dezelfde rotary basis van 10.000.000. Beide dragen een vision tower van precies 27 lagen bij hidden size 1.152 met 2.304 positie-embeddings. Qwen3.8 is geen nieuw ontwerp dat Qwen3.5 heeft opgevolgd. Het is hetzelfde ontwerp op grotere dimensies, en Qwen3.8-27B zegt dat in zijn eigen config.

• Parameters — ZwZ2-9B: 9.409.813.744. Qwen3.8-27B: 28 miljard volgens zijn kaart, waarvan de configuratie 64 lagen met verborgen grootte 5.120 specificeert tegenover 32 lagen met 4.096.

• Architectuur-ID — qwen3_5 in beide. Zelfde klasse, zelfde attention-schema.

• Vocabulaire — 248.320 in beide, inclusief token-id's voor afbeeldingen en video's.

• Contextplafond — 262.144 posities opgegeven in beide, waarbij de gehoste versie van Qwen tot 1M reikt.

• Vision-toren — 27 lagen bij verborgen grootte 1,152 in beide; de projectie wordt verbreed van 4,096 naar 5,120 om aan te sluiten bij de taalstack.

• Standaard redeneren — ZwZ2-9B antwoordt zonder na te denken, tenzij erom wordt gevraagd. Qwen3.8-27B denkt standaard na, met een instelbare redeneerinspanning.

• Licentie — geen opgegeven vs Apache-2.0.

• Bewijs — een configuratiebestand versus een modelkaart, evaluatieresultaten, een gehoste API en 198 gepubliceerde adapters.

Wat de 27B je oplevert dat de 9B-afgeleide niet doet

Het eerste is toestemming. Qwen3.8-27B is Apache-2.0 met een expliciete toestemming, implementeerbaar op Azure en SageMaker volgens zijn eigen tags, en wordt aangeboden via de officiële gehoste API van Qwen met een context van 1M tokens in de beheerde versie. ZwZ2-9B vermeldt helemaal geen licentie, wat een ander probleem is dan een beperkende licentie — het is de afwezigheid van een toestemming, niet een beperkte, en het is het grootste risico bij de adoptie ervan.

The second is reasoning control. Qwen3.8-27B's chat template exposes three reasoning-effort levels with a default of the highest, instructs the model accordingly, and supports preserving reasoning context across turns. It also keeps the Qwen convention of thinking by default. ZwZ2-9B has none of this machinery, and its template inverts the default — it emits an empty <think></think> block unless you explicitly pass a flag, which means the model answers directly and cheaply, and gives you no dial to turn when a question deserves more thought.

Het derde is het ecosysteem, dat het minst besproken en het meest dragend is. De Hub vermeldt 198 adapters, 553 fine-tunes, 24 merges en 1.472 kwantisaties die op Qwen3.8-27B zijn gebouwd, plus honderd Spaces. Dat is een hoeveelheid werk van mensen die niet Qwen zijn, waarin wordt beschreven hoe het model zich bij echte problemen gedraagt. ZwZ2-9B heeft niets daarvan, en kan nog niets daarvan hebben — het is pas een paar uur oud.

Wat een verblijf in 9B je nog steeds oplevert

Er is een reden waarom het kleine segment niet stil is geworden. Qwen3.5-9B, het checkpoint waarop ZwZ2-9B is gebouwd, noteerde afgelopen maand 8.591.266 downloads — meer dan de 7.363.968 van het 27B-vlaggenschip in dezelfde periode. Het 9B-formaat is waar een groot deel van het echte werk gebeurt: het is het grootste model dat comfortabel op één enkele consumentenaccelerator past, het is het formaat dat teams fine-tunen wanneer ze hun eigen gewichten willen in plaats van een API, en het is waar een ongedocumenteerd derivaat als ZwZ2-9B aannemelijk interessant kan zijn, omdat hetgeen het erft door miljoenen mensen is gelezen.

Het verwijderen van de multi-token-voorspellingshead is ook niet duidelijk een verlies. De config van ZwZ2-9B zet mtp_num_hidden_layers op 0 waar Qwen3.5-9B er 1 heeft, wat een speculative-decoding-head verwijdert en daarmee ongeveer een kwart miljard parameters. Wat de trainingsrun ook beoogde, het artefact dat je downloadt is een eenvoudiger model dan zijn ouder, en eenvoudiger is gemakkelijker te beredeneren wanneer je geen kaart kunt lezen.

En het vision-pad is in beide richtingen hetzelfde: 27 lagen met hidden size 1.152, een embeddingtabel met 2.304 posities, een videoprocessor die tot 768 frames aankan bij 2 frames per seconde. Als je afbeeldingen als invoer nodig hebt, staat de 9B dat niet af aan de 27B.

Hoe dit eruitziet als je een endpoint kiest in plaats van een checkpoint

Het praktische antwoord voor de meeste teams is niet het een of het ander, en de gehoste kant ervan ligt vast op een manier waarop de open-weights-kant dat niet doet. Qwen3.8-27B is routeerbaar op OrcaRouter als qwen/qwen3.8-27b — een context van 262K tokens, tekst, afbeelding en video in, tekst uit, tegen $0,33 per miljoen inputtokens en $2,40 per miljoen output. Dat is de lijstprijs van de provider doorgegeven met 0% markup, dus wanneer Qwen een prijs wijzigt, verandert het getal hier dezelfde dag in plaats van bij de volgende catalogusvernieuwing, en het staat naast qwen/qwen3.8-flash en qwen/qwen3.8-max op dezelfde sleutel als je tiers wilt vergelijken op je eigen verkeer in plaats van op iemands benchmarktabel.

ZwZ2-9B staat niet in die catalogus en we gaan niet suggereren van wel — het is een Hugging Face-download zonder serving-endpoint dat door de leverancier is gepubliceerd, en inclusionAI distribueert via de eigen kanalen van de leverancier. Als je een gehoste plaatsvervanger wilt voor de kleine multimodale plek terwijl je het checkpoint evalueert, qwen/qwen3-vl-8b-instruct is een 8B visie-taalmodel met een context van 131K tokens voor $0,18 en $0,70 per miljoen tokens, gedocumenteerd en gelicentieerd. Zet een kandidaat achter dezelfde interface als de incumbent en het vergelijken van de twee kost een modelstring; dat is het hele argument om een model waar je niet zeker van bent te routeren in plaats van het te integreren.

De generatievraag, eerlijk beantwoord

Er is geen enkele benchmark waarop ZwZ2-9B Qwen3.8-27B verslaat, omdat er helemaal geen benchmark is waarop ZwZ2-9B überhaupt is gemeten. Een 28B-model met een technische kaart en een 9,4B-checkpoint met een configuratiebestand nemen het niet tegen elkaar op; de een is geëvalueerd en de ander is beschreven. Iedereen die deze week een head-to-head-resultaat produceert, beschrijft zijn eigen indruk van een model dat hij vanochtend heeft gedownload.

Wat hier werkelijk nieuw is, is de afstammingslijn, en het is de moeite waard om dat ronduit te zeggen, want het is gemakkelijk te missen. De Qwen3.8-generatie heeft haar architectuur niet vervangen; ze heeft die opgeschaald. Qwen3.8-27B en ZwZ2-9B vallen onder dezelfde architectuuridentificatie, delen een vocabulaire, delen een contextplafond, delen een aandachtschema en delen een visietoren tot aan het aantal lagen en de verborgen breedte. Dat is nuttige kennis in beide richtingen: het vertelt je hoe een 9B-checkpoint op deze stack waarschijnlijk aanvoelt, en het vertelt je dat de kloof tussen de kleine en grote uiteinden van de Qwen-familie een kwestie van gradatie is, eerder dan een verandering van soort.

Dus het eerlijke oordeel over ZwZ2-9B versus Qwen3.8-27B is dat de 27B degene is waarop je kunt plannen, en de 9B-afgeleide degene is die het volgen waard is. Lees de config, voer je eigen taak erop uit, en wacht op een licentie voordat het iets aanraakt dat ertoe doet.

Niets daarvan is hypothetisch: de gedocumenteerde AI-fouten en agent-incidenten achter releases zoals deze zijn verzameld in the OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en markering voor betwisting bevat.