ZoomGain-9B kontra Qwen 3.8 8B: Qwen3.8-8B nie istnieje — i właśnie o tym jest ten artykuł

Wyszukaj „Qwen 3.8 8B”, a znajdziesz strony porównawcze, linki do pobrania i pół tuzina artykułów traktujących go jako model produkcyjny. Nie jest nim. Generacja Qwen3.8 firmy Alibaba obejmuje cztery otwarte checkpointy — Qwen3.8-27B, jego wersję FP8, Qwen3.8-2.4T-A95B i Qwen3.8-Flash-Next — i żaden z nich nie jest modelem 8B. Miejsce 8B w ofercie Qwen zajmuje Qwen3-8B, model z generacji Qwen3 z 2025 roku, który ma inną architekturę, inny tokenizer i pochodzi z innej ery. Uczciwa wersja tego starcia to więc pojedynek między ZoomGain-9B — 9B checkpointem wizyjno-językowym opublikowanym przez inclusionAI 10 listopada 2026 roku — a dwoma modelami Qwen, które faktycznie istnieją w porównywalnym rozmiarze: Qwen3.8-27B, najmniejszym gęstym modelem generacji 3.8 liczącym 27 miliardów parametrów, oraz Qwen3.5-9B, modelem bazowym, na którym przeprowadzono post-training ZoomGain-9B.

Ta korekta nie jest technicznym szczegółem, który trzeba usunąć z drogi przed interesującą częścią. Ona zmienia odpowiedź. Qwen3.5-9B to model bazowy, na którym trenowano ZoomGain, więc jest to najbliższe kontrolowanemu eksperymentowi, co w całym tym wydaniu: te same wagi, ta sama architektura, ten sam tokenizer, różnica 9 000 próbek RL. Qwen3.8-27B jest trzy razy większy i o dwie generacje nowszy, i to jest model, który faktycznie wybrałbyś zamiast ZoomGain, gdybyś dziś chciał endpoint Q​wen. Porównanie z oboma mówi coś, czego widmowy 8B nigdy nie mógł.

Dlaczego fantomowy wpis w ogóle istnieje

Nazewnictwo nie jest przypadkowe. Q​wen wydało 27B i 2.4T-A95B 5 i 8 sierpnia 2026, a następnie Flash-Next 24 sierpnia. Poprzednia generacja, Q​wen3.5, miała 9B i 4B; Q​wen3.6 miała 27B i 35B-A3B. Każda generacja od Q​wen3 obejmowała mały gęsty model, a generacja 3.8 jest pierwszą, która go pominęła. Każdy, kto doszukiwałby się wzorca w trzech poprzednich wydaniach, miałby podstawy przewidywać Q​wen3.8-9B, a Q​wen3.8-8B różni się o jedną cyfrę od tego przewidywania.

To, co faktycznie wypełnia lukę, to destylacja społecznościowa. Punkty kontrolne Qwen3.8-9B-Distill pojawiły się w Hubie od niezależnych laboratoriów w ciągu tygodnia od wydania 27B, a po nich pojawiły się pochodne tych pochodnych. Są to małe modele wytrenowane na wynikach Qwen3.8, a nie modele Qwen3.8. Jeśli strona, którą znalazłeś, opisuje „Qwen 3.8 8B” z liczbami benchmarków, najbardziej prawdopodobne wyjaśnienie jest takie, że opisuje jeden z nich albo że nie opisuje niczego.

Praktyczna konsekwencja: jeśli potrzebujesz małego modelu z rodziny Qwen, obecne realne opcje to Qwen3.5-9B o 9B i Qwen3.5-4B o 4B, oba z lutego 2026, oba na licencji Apache 2.0, oba wciąż wśród najczęściej pobieranych modeli na Hubie. ZoomGain-9B jest zbudowany na pierwszym z nich.

Kontrolowany eksperyment, który wydanie przypadkowo zapewnia

Konfiguracja Qwen3.5-9B i ZoomGain-9B ma ten sam kształt: 32 warstwy, rozmiar ukryty 4096, rozmiar pośredni 12 288, 16 głowic zapytań wobec 4 głowic KV przy wymiarze głowicy 256, 262 144 maksymalne pozycje oraz ten sam harmonogram 3:1 liniowego DeltaNet do pełnej uwagi. Wieża wizyjna pochodzi z modelu bazowego. Nic w architekturze się nie zmieniło.

To, co się zmieniło, to etap posttreningu. ZoomGain zastosował GRPO do 9000 pytań wygenerowanych przez wydobywanie przyciętych szczegółów, przez jedną epokę, z ośmioma rolloutami na pytanie. To cała interwencja, a jej zmierzony efekt na ZoomGainBench wynosi od 32,13 do 55,48 — skok o 23,35 punktu na benchmarku zbudowanym z tego samego pipeline’u co dane treningowe, który artykuł uczciwie określa jako „Held-in”.

Liczba, która przetrwa to zastrzeżenie, to średnia na zbiorze walidacyjnym z trzynastu benchmarków, których trening nigdy nie widział: 59,75 dla Qwen3.5-9B, 66,10 dla ZoomGain-9B. Wzrost o 6,35 punktu z 9 000 próbek, przy tych samych wagach. W konkretnej rodzinie, na której skupia się wydanie, różnice są większe: HR-Bench 4K z 82,13 do 90,25, V*Bench z 86,91 do 93,19, VisualProbe z 44,66 do 56,31.

• Ciekawy negatywny wynik — MMStar przechodzi z 71,73 na 73,87, a BabyVision z 15,98 na 17,53. Ogólne kompetencje multimodalne prawie się nie zmieniają. Trening przyniósł drobny szczegół i niewiele więcej, co jest tym, co powinien robić ukierunkowany przebieg RL na 9 000 próbek.

• Uczciwe zastrzeżenie — wszystko powyższe jest raportowane przez autorów na ich własnym stanowisku testowym. Nikt spoza Ant Group tego nie odtworzył. Ewaluator i benchmark są publiczne, więc można to zweryfikować, ale nie zostało to zweryfikowane.

Qwen3.8-27B oraz wiersz, który umieszcza go w tej samej tabeli

Tutaj porównanie staje się naprawdę istotne, ponieważ praca ZoomGain rzeczywiście oceniła Qwen3.8-27B na własnym benchmarku. Model 27B uzyskuje 44,81 ogółem w ZoomGainBench — za Kimi-K3 z 48,65, za Qwen3.8-Flash-Next z 55,05 i za każdym modelem frontier o zamkniętym kodzie w tabeli. Pod tym względem jest sprawnym, ale przeciętnym modelem dostrzegającym drobne szczegóły.

Zestaw to z wynikiem 55,48 modelu ZoomGain-9B w tym samym teście, a arytmetyka wygląda uderzająco: model 9B uzyskuje o 10,7 punktu więcej niż model 27B z tej samej rodziny, w benchmarku, którego marketing żadnego z dostawców by nie wybrał. Ale to jest dokładnie to porównanie, do którego trzeba dołączyć etykietę held-in, i artykuł ją dołącza. ZoomGainBench powstał w ramach pipeline'u, który zbudował dane treningowe ZoomGain. Model trenowany na pytaniach z tego pipeline'u widział ten rozkład; model oceniany na nim nie. Różnica 10,7 punktu mówi o dopasowaniu do rozkładu, a nie o zdolnościach.

Tam, gdzie można porównać oba modele bez tego zniekształcenia, obraz się odwraca. Własna karta Qwen3.8-27B podaje Terminal Bench 2.1 na poziomie 73,0, SWE-bench Pro 61,7, LiveCodeBench v6 90,3, GPQA Diamond 89,2 i HLE 30,8. ZoomGain-9B nie był oceniany na żadnym z nich i nie należałoby oczekiwać, że wypadnie dobrze: jego trening nigdy nie obejmował kodu, zadań terminalowych ani nauki na poziomie magisterskim. Qwen3.8-27B natywnie przyjmuje też obrazy i wideo, obsługuje kontekst 262 144 tokenów rozszerzalny do miliona i wspiera kontrolę trybu myślenia za pomocą `reasoning_effort` — możliwość, której ZoomGain-9B nie ma w ogóle, ponieważ jego ocena przebiega z wyłączonym trybem myślenia.

• Rozmiar i kształt — Qwen3.8-27B to gęsty model 27B z 64 warstwami, wymiarem ukrytym 5 120, wymiarem pośrednim 17 408 oraz 1-warstwową głowicą predykcji wielotokenowej. ZoomGain-9B ma około 9,4B parametrów, 32 warstwy i wymiar ukryty 4 096.

• Dostępność — Qwen3.8-27B ma 7,4 mln pobrań, licencję Apache 2.0, kompilacje FP8 i GGUF oraz hostowany endpoint. ZoomGain-9B nie ma hostowanego endpointu, ma puste mapowanie dostawców w Hubie, licencję odesłaną do karty bez znacznika licencji, a kompilacje GGUF z 11 listopada są jego jedyną dystrybucją poza BF16.

• Daty wydania — Qwen3.8-27B: 5 sierpnia 2026, pełna premiera z wpisem na blogu i raportem technicznym. ZoomGain-9B: 10 listopada 2026, artykuł i repozytorium, i nic więcej. Trzymiesięczna różnica ma mniejsze znaczenie niż fakt, że jeden z nich od sierpnia znajduje się w rękach produkcyjnych.

Cena każdej trasy oraz tej, którą możemy Ci faktycznie sprzedać

Qwen3.8-27B jest w katalogu OrcaRouter w cenie $0.33 za milion tokenów wejściowych i $2.40 za milion tokenów wyjściowych, z kontekstem 262K, wejściem tekstowym, obrazowym i wideo oraz 0% narzutu na cenę katalogową dostawcy — liczba na naszej stronie modelu to kwota pobierana przez Qwen, przekazywana bez zmian, więc zmiana ceny dostawcy jest widoczna tutaj tego samego dnia, a nie po cyklu ponownego ustalania cen. Ten sam klucz zapewnia też dostęp do Qwen3.8-Flash i Qwen3.8-Max, jeśli okaże się, że 27B ma niewłaściwy rozmiar, a mechanizm failover oznacza, że zawieszony punkt końcowy ponawia żądanie do dostawcy, zanim rozpocznie się odpowiedź a nie po upływie limitu czasu żądania.

ZoomGain-9B nie znajduje się w katalogu i nie można go wywołać za naszym pośrednictwem. To 18,82 GB w BF16 lub 5,63 GB w Q4_K_M plus 0,52 GB projektora mmproj, udostępniane w vLLM 0.19.1 z transformers 5.7.0 albo w kompilacji llama.cpp z obsługą multimodalną Qwen3.5. Sam Qwen3.5-9B również nie znajduje się w katalogu, co warto powiedzieć wprost: tania hostowana wersja tego porównania też nie istnieje po naszej stronie.

Jeśli Twoje rzeczywiste pytanie brzmi „czy powinienem uruchomić ZoomGain-9B zamiast płacić za endpoint Qwen”, porównanie kosztów nie jest bliskie w żadnym kierunku i nie musi być. Gęsty model 27B za 0,33 USD za milion tokenów wejściowych jest tańszy niż posiadanie GPU przy niemal każdym wolumenie, który określiłbyś jako okazjonalny. Samodzielne hostowanie modelu 9B wygrywa tylko wtedy, gdy wolumen jest wysoki, dane nie mogą opuścić Twojej sieci albo zadanie jest tym jednym wąskim przypadkiem, do którego 9B został wytrenowany.

Kiedy model fantomowy miałby znaczenie

W ofercie Qwen istnieje realna luka i warto ją nazwać, ponieważ wyjaśnia, dlaczego tak wiele osób szukało tego zestawienia. Gęsty model 9B z oknem 262K i słownictwem generacji Qwen3.8, sprzedawany w cenie zbliżonej do Qwen3.5-9B, byłby oczywistym budżetowym wyborem do potoków z dużą ilością obrazów — tańszym niż 27B, zdolniejszym niż 4B i wystarczająco małym, by hostować go samodzielnie na jednej karcie. Qwen nie wprowadziło takiego modelu, więc tę lukę obecnie wypełnia albo starszy Qwen3.5-9B, albo destylacja społecznościowa bez żadnego dostawcy za nią.

ZoomGain-9B też nie jest tym modelem, a ta różnica ma znaczenie. To specjalista od percepcji z kwestią licencji badawczej i bez ścieżki hostowanej, a nie mały model Q​wen ogólnego przeznaczenia. Jeśli od „Q​wen 3.8 8B” oczekiwałeś taniego generalisty, ZoomGain-9B rozczaruje cię pod każdym względem poza drobnymi szczegółami. Jeśli natomiast chciałeś modelu, który potrafi znaleźć numer seryjny na zdjęciu 4K, to jeden z niewielu małych checkpointów zbudowanych specjalnie do tego.

W ogólnym przypadku realistycznymi zamiennikami są hostowana linia Q​wen3.5 — 35B-A3B w cenie 0,057 USD za milion tokenów wejściowych, 27B w cenie 0,086 USD — które zajmują miejsce w budżecie, jakie wypełniłby brakujący 8B, mając większy rozmiar i rzeczywisty endpoint. W przypadku percepcji nie możemy zaproponować żadnego hostowanego zamiennika: Qwen3-VL-8B-Instruct w cenie 0,18 USD za wejście i 0,70 USD za wyjście za milion tokenów przyjmuje obrazy i działa jako substytut do sprawdzenia, czy twoje błędy są błędami szczegółów, ale nie został wytrenowany tak jak ZoomGain i nie dorówna mu na kadrach.

Co konkretnie z tym zrobić

Jeśli przyszedłeś tu po werdykt ZoomGain-9B vs Qwen3.8-8B, werdykt jest taki, że przeciwnik nie istnieje, a każda strona, która go podała, wymyśliła połowę porównania. Dwa prawdziwe pytania są węższe i na oba można dziś odpowiedzieć.

Pytanie pierwsze: czy dostrojony model 9B oparty na Qwen3.5-9B jest lepszy niż Qwen3.5-9B w drobnoziarnistej percepcji? Według liczb autorów tak — o 6,35 punktu na zbiorze held-out i o znacznie więcej na benchmarkach, na które celowano podczas treningu. To mocny wynik jak na 9000 próbek i najciekawsza rzecz w tym wydaniu.

Pytanie drugie: czy ZoomGain-9B jest lepszy niż Qwen3.8-27B w czymkolwiek, co ma dla ciebie znaczenie? Pod względem ogólnych możliwości nie — model 27B jest nowszy, większy, lepiej udokumentowany, objęty licencją, hostowany i oceniany na znacznie większej liczbie osi. W benchmarku zbudowanym na własnym rozkładzie treningowym ZoomGain uzyskuje wynik o 10,7 punktu wyższy, co mówi ci, że trening zadziałał, i nie mówi nic o tym, który model kupić.

Poniższa decyzja jest nieefektowna. Do ogólnych zadań używaj hostowanego modelu Q​wen, ponieważ kosztuje 0,33 USD za milion tokenów wejściowych i jest dostępny w ramach jednego wywołania API. Pobierz ZoomGain-9B tylko wtedy, gdy masz konkretne zadanie wymagające drobnych szczegółów, GPU oraz prawnika, który przeczytał plik licencji, którego dostawca nie opublikował.