ZwZ2-27B: Wagi trafiły 16 października, wyjaśnienie dotarło dziesięć dni później

ZwZ2-27B jest dostępny do pobrania z Hugging Face od 16 października 2026 r. Przez pierwsze dziesięć dni swojego publicznego życia model nie miał ani ogłoszenia, ani artykułu, ani README, ani określonej licencji — tylko dwa shardy bf16 safetensors w inclusionAI oraz repozytorium, które nie podawało żadnego powodu swojego istnienia. 26 października pojawiła się karta modelu. Głosi ona, że model jest trenowanym przez uczenie ze wzmocnieniem systemem wizyjno-językowym zbudowanym na Qwen3.6-27B, i publikuje ewaluację na 25 testach porównawczych, w której model przewyższa tę bazę ogółem o 4,99 punktu.

To jest całość tego, co nowe, i warto oddzielić to od tego, co ludzie uznają za to, co się wydarzyło. To nie jest premiera. Wagi mają jedenaście dni, a dostawca wciąż ich nie ogłosił. To, co zmieniło się w tym tygodniu, to fakt, że możemy wreszcie przeczytać, do czego — zdaniem inclusionAI — model ma służyć.

Co faktycznie się zmieniło, według dat

Historia commitów samego repozytorium jest najczystszym dostępnym dowodem i nie upiększa tej opowieści. Wszystko zawiera się w trzech commitach:

• 16 października, 05:42 UTC — pierwszy commit, a dziesięć minut później „Dodaj wagi modelu ZwZ2-27B”. Konfiguracja, tokenizer, procesor i dwa shardy wag. Brak README.

• 26 października, 02:58 UTC — „Create README.md”. Pierwszy pisemny opis modelu, dziesięć dni po wagach.

• 26–27 października — powtarzane poprawki README i przesyłanie sześciu plików, gdy zestawiano dane liczbowe benchmarku i zasoby graficzne.

W chwili pisania tego tekstu repozytorium ma siedem pobrań i zero polubień. Towarzyszący projekt GitHub, inclusionAI/Zooming-without-Zooming-v2, został utworzony 14 października i ma jedną gwiazdkę. Wyszukiwania nazwy modelu w języku angielskim zwracają materiały o starszej rodzinie ZwZ-2B/4B/8B oraz o ZwZ2-9B z 16 października, a o modelu 27B zupełnie nic. Jeśli doszło tu do premiery, odbyła się ona bez publiczności.

Model w pliku konfiguracyjnym

Pliki konfiguracyjne są najmniej efektowną i najbardziej niezawodną częścią każdego wydania. Ten opisuje gęsty model wizyjno-językowy, którego deklaracja architektury to Qwen3_5ForConditionalGeneration — ta sama klasa, której używają własne modele Qwen — z następującymi liczbami:

• Wieża tekstowa — rozmiar ukryty 5 120, 64 warstwy, 24 głowice zapytań i 4 głowice KV przy wymiarze głowicy 256, szerokość sieci feed-forward 17 408.

• Układ uwagi — proporcja warstw uwagi liniowej do warstw uwagi pełnej wynosi 3:1, powtarza się 16 razy, z przeplatanym M-RoPE i bazą rotacyjną 10 000 000.

• Słownictwo i kontekst — 248 320 tokenów, 262 144 natywne pozycje.

• Wieża wizyjna — 27 warstw o rozmiarze ukrytym 1152, rzutująca na 5120, rozmiar patcha 16 z przestrzennym scalaniem 2×2.

• Predykcja wielu tokenów — mtp_num_hidden_layers ustawione na 0, tj. głowica MTP została usunięta względem szkieletu Qwen.

Ta ostatnia linia to jedyna różnica strukturalna względem bazy. Wszystko inne — liczba warstw, geometria głowic, słownik, limit kontekstu, głębokość widzenia — odpowiada Qwen3.6-27B dokładnie. ZwZ2-27B to ten sam trzon z innym reżimem treningu po wstępnym i z usuniętą jedną głowicą dekodowania spekulatywnego.

To oznacza również, że model nie jest mały. Przy 27B parametrów w bf16 wagi mają około 54 GB w dwóch shardach, co zapewnia komfortowe załadowanie na jednym akceleratorze 80 GB lub napięte rozłożenie na dwóch kartach 40 GB. W repozytorium nie ma wariantu skwantyzowanego, receptury vLLM ani SGLang, a także żadnych notatek o serwowaniu poza szybkim startem Hugging Face transformers przypiętym do wersji 5.13.1.

Deklaracja +4,99 i dokładnie, co obejmuje

Nagłówek karty głosi, że w przypadku 25 benchmarków w sześciu dziedzinach model „poprawia wyniki względem swojego modelu bazowego w każdym benchmarku”, podnosząc średnią ogólną z 55,52 do 60,51. Obie części tego zdania są zgodne z opublikowaną ryciną wyników i obie wymagają zastrzeżenia.

Zastrzeżenie polega na tym, że jest to własne środowisko testowe inclusionAI, własny dobór benchmarków i własny sposób punktowania, a wszystko to opublikowano w jej własnym repozytorium. Nic z tego nie zostało odtworzone poza organizacją. To ocena dostawcy w zwykłym tego słowa znaczeniu: przydatna, by zobaczyć, co zespół optymalizował, ale nie można jej używać jako niezależnej oceny.

Drugim zastrzeżeniem jest skala. Wzrost o 4,99 punktu w średniej z 25 benchmarków to realny ruch, ale ta średnia to średnia dokładności z bardzo różnych zadań, ważonych jednakowo według dziedziny. Nie jest to wskaźnik możliwości i nigdy nie należy porównywać go z wynikiem z innego zestawu.

Oto zestawienie na poziomie domen: model bazowy kontra dostrojony:

• Drobnoziarnista percepcja — od 62,09 do 67,57, wzrost o 5,48 w ośmiu benchmarkach, w tym VStar, HR-8K i MME-RealWorld.

• Percepcja przestrzenna — od 49,72 do 55,98, wzrost o 6,26 w sześciu testach porównawczych.

• Rozumienie długiego kontekstu — od 65,87 do 68,77, wzrost o 2,90 w trzech benchmarkach.

• Rozumowanie przestrzenne ucieleśnione — od 50,17 do 55,71, wzrost o 5,54 w trzech testach porównawczych.

• Agenci multimodalni — od 49,73 do 51,81, czyli wzrost o 2,08 w trzech benchmarkach.

• Ogólne rozumowanie wizualne — od 47,89 do 53,71, wzrost o 5,82 w MMStar i BabyVision.

Gdzie koncentrują się zyski — i gdzie model wciąż jest słaby

Kształt tej tabeli ma większe znaczenie niż jej średnia. Największe względne zyski przypadają na percepcję przestrzenną i rozumowanie ucieleśnione, co jest spójne z tym, czego metoda rzekomo uczy: porównywania, dopasowywania i agregowania dowodów z kilku oznaczonych obszarów jednego obrazu, przy użyciu pełnych obrazów w czasie wnioskowania i bez zewnętrznych wywołań powiększenia.

Dwa najmniejsze przyrosty to agenci długiego kontekstu i agenci multimodalni. To także dwie dziedziny, w których model bazowy był już najsilniejszy względem zadania, co jest zwyczajowym wzorcem dostrajania RL na wąskiej recepturze danych: przesuwa to, co widzi sygnał nagrody.

Liczby bezwzględne są bardziej otrzeźwiającą lekturą. Chartography wynosi 12,00. AgentVista wynosi 18,18. Perception-Bench — 44,93. Model może zyskać pięć punktów ogólnie i nadal być bliski bezużyteczności na kilku pojedynczych benchmarkach w zestawie — a ten taki jest. Każdy, kto przytacza „60,51 ogólnie” jako ogólny wskaźnik kompetencji, przytacza średnią, która ukrywa 12.

Przepis treningowy wyjaśnia ten sufit. EvidenceConnect buduje swoje dane z obrazów SA-1B, grupując od trzech do siedmiu powiązanych regionów, generując pytania z uprzywilejowanymi powiększonymi wycinkami, filtrując je przez zgodność między modelami i testy polegające na usunięciu jednego regionu, przekształcając je w zadania z czterema opcjami i trenując z GRPO — wszystkie trzy rozmiary modeli na około 20 000 przykładów, bez etapu nadzorowanego dostrajania. To skoncentrowana dieta. Wiarygodnie zapewnia percepcję na poziomie regionów i nie udaje, że zapewnia swobodne rozumowanie.

Kolumny modelu referencyjnego zasługują na ostrzeżenie

Na rycinie z wynikami uwzględniono także trzy modele API jako punkty odniesienia: GPT-5.6-Luna z wynikiem 54,02, GLM-5.3-Flash z 57,24 i DeepSeek-V4.1-Flash z 55,47, wobec 60,51 modelu ZwZ2-27B. Na pierwszy rzut oka stawia to po cichu przesłany checkpoint z otwartymi wagami powyżej trzech hostowanych modeli produkcyjnych.

Trzy rzeczy powinny złagodzić tę interpretację. Po pierwsze, ograniczenie związane z obsługą odnotowano w samej karcie: rozdzielczość obrazów zaawansowanych modeli była ograniczona przez ich platformy udostępniania, co stanowi realne utrudnienie w zestawie benchmarkowym obfitującym w drobne szczegóły. Po drugie, nie są to własne publikowane ewaluacje tych dostawców — to inclusionAI uruchamiające modele innych firm w środowisku testowym inclusionAI, bez żadnych wskazówek, że dostawcy byli zaangażowani lub potwierdzili te liczby. Po trzecie, kolumna GPT jest wyraźnie oznaczona jako niezaraportowana w przypadku niektórych wierszy, więc zbiór referencyjny jest nierównomiernie wypełniony.

Nic z tego nie czyni tych liczb błędnymi. Oznacza to jednak, że są to pomiary jednego laboratorium dotyczące jego konkurentów na zestawie benchmarków, w którym jego własny model miał dziesięć dni dodatkowego dostrajania. Porównanie modeli bazowych należy traktować jako to istotne, a kolumny API jako kontekst.

Czego jeszcze brakuje?

Uczciwy spis niewiadomych jest dłuższy niż lista tego, co wiadome, i zaczyna się od licencji. Front matter karty modelu zawiera tagi modelu bazowego, zbioru danych i zadania potoku; nie deklaruje licencji. Treść mówi, aby „zapoznać się z licencją towarzyszącą udostępnionym wagom i mającą zastosowanie licencją backbone”, co jest cyrkularne, gdy same wagi nie zawierają żadnej licencji. Qwen3.6-27B jest na licencji Apache-2.0, więc kwestia backbone jest jasna. Warunki modelu pochodnego nie są jasne, a dla firmy, która chce wdrożyć go w produkcie, to pojedyncze pominięcie ma większe konsekwencje niż jakikolwiek wiersz benchmarku.

Artykuł również nie został jeszcze opublikowany. Nagłówek samej karty zawiera dosłowny tekst zastępczy <!-- Replace PAPER_URL with the final v2 paper URL. --> oraz linki do PAPER_URL. Repozytorium projektu istnieje; opracowanie, na które powinno wskazywać, nie istnieje.

Poza tym:

• Nie istnieje żadna niezależna ocena ZwZ2-27B, dokonana przez kogokolwiek.

• Dla tego modelu nie znaleziono żadnego ogłoszenia producenta, wpisu na blogu ani posta w mediach społecznościowych.

Opublikowana ocena dotyczy trybu low/thinking — quickstart karty modelu działa z enable_thinking=False, a szablon czatu prosi o odpowiedzi w tagach <answer>. Liczby dla trybu myślenia nie są częścią twierdzenia.

• Brak wsparcia dla frameworków innych niż przypięta wersja Transformers. Brak GGUF, brak AWQ, brak opublikowanej konfiguracji vLLM.

• Karta wymienia znane tryby awarii — zmyślone szczegóły, błędnie odczytany tekst, błędy w liczeniu i błędy przestrzenne — co jest większą szczerością, niż oferuje większość kart producentów, oraz rzetelnym podsumowaniem tego, jak w praktyce wygląda 12.00 w Chartography.

Jak to ocenić, nie stawiając na to nic

ZwZ2-27B nie znajduje się w naszym katalogu i tego tekstu nie należy odczytywać jako sugestii, że jest inaczej. Aby uruchomić go dzisiaj, trzeba pobrać 54 GB wag, zainstalować konkretną kompilację Transformers i samodzielnie go hostować — co jest rozsądnym sposobem spędzenia popołudnia, jeśli ma się już odpowiedni sprzęt, a marnym wykorzystaniem czasu, jeśli próbuje się odpowiedzieć na pytanie produktowe w tym tygodniu.

Tańszym sposobem jest sprawdzenie twierdzenia, a nie modelu. Twierdzenie jest wąskie: że RL na zbiorze 20 tys. przykładów do porównywania regionów sprawia, że checkpoint Qwen3.6-27B lepiej odczytuje drobne szczegóły bez narzędzi powiększania. Jeśli to jest Twoje rzeczywiste wąskie gardło — gęste dokumenty, wykresy, zrzuty ekranu UI, pytania dotyczące wielu regionów — model bazowy jest warunkiem kontrolnym, a jego następca jest już tutaj dostępny do routingu: Qwen3.8-27B i Qwen3.5-27B są w OrcaRouter za jednym kluczem, obok ponad 200 innych modeli w cenie katalogowej dostawcy bez marży. Jeśli samodzielnie hostowany ZwZ2-27B okaże się wart wdrożenia, możesz umieścić go na tym samym kluczu i pozwolić automatycznemu przełączaniu awaryjnemu decydować między nim a hostowanym modelem ogólnym, zamiast przepisywać integrację.

Tym, co przeniosłoby to z kategorii „ciekawego uploadu” do „modelu, który można przyjąć”, jest krótka lista. Nazwana licencja. Praca pozwalająca komuś sprawdzić sposób skonstruowania benchmarku. Jeden niezależny przebieg — nawet częściowy — na benchmarkach, których dostawca nie wybrał. Oraz ogłoszenie, które po jedenastu dniach ciszy zaczyna wyglądać bardziej na celowy brak niż przeoczenie.

Do tego czasu możliwe do obrony stwierdzenie jest wąskie i warte wyrażenia wprost: nieudokumentowany checkpoint 27B od inclusionAI znajduje się na Hugging Face od 16 października, a na dzień 26 października jego autorzy są skłonni twierdzić, że osiąga o pięć punktów lepszy wynik niż Qwen3.6-27B w zestawie benchmarków, który sami zbudowali. To hipoteza z dołączonymi wagami. To jeszcze nie wynik.