ZwZ2-27B vs Qwen3.8-27B: Ten sam szkielet, dwa bardzo różne zakłady

Dziwna rzecz w przypadku ZwZ2-27B w porównaniu z Qwen3.8-27B polega na tym, że oba modele to ta sama maszyna. Otwórz oba pliki konfiguracyjne, a liczby zgadzają się wers po wersie: 64 warstwy, rozmiar ukryty 5 120, 24 głowice zapytań wobec 4 głowic KV o wymiarze 256, szerokość warstwy feed-forward 17 408, słownik liczący 248 320 tokenów, 262 144 pozycje oraz 27-warstwowa wieża wizyjna o rozmiarze ukrytym 1 152. Deklarują wręcz tę samą klasę architektury. Tym, co je różni, nie jest szerokość ani głębokość. Jest to to, co każde laboratorium zrobiło z tym ciałem później — i jak dotąd nikt nie skonfrontował ich ze sobą, by sprawdzić, który wybór zwyciężył.

Ten brak to pierwsza rzecz, którą trzeba powiedzieć wprost. Opublikowana przez inclusionAI ocena ZwZ2-27B porównuje go z GPT-5.6-Luna, GLM-5.3-Flash i DeepSeek-V4.1-Flash. Nie obejmuje Qwen3.8-27B ani żadnego modelu Qwen nowszego niż ten, na którym zbudowano ZwZ2. Qwen ze swojej strony nigdy w ogóle nie wspomniał o ZwZ2. Każda liczba poniżej pochodzi z pomiaru własnego jednego laboratorium albo z pomiaru własnego Qwen, a żadna strona trzecia nie umieściła obu modeli w jednym środowisku testowym.

Ten sam szkielet, linia po linii

Warto być precyzyjnym co do tego, jak bliskie są sobie te modele, ponieważ zwykłe ujęcie „27B kontra 27B” tego niedoszacowuje. Nie są to dwa modele, które przypadkiem wypadły w podobnej skali; to dwa przebiegi treningu po wstępnym treningu (post-training) na wymiennej architekturze.

• Parametry — 27B w obu przypadkach, gęste, w żadnej z konfiguracji nie ma routingu typu mixture-of-experts.

• Głębokość i szerokość — 64 warstwy, wymiar ukryty 5,120, wymiar pośredni 17,408, identyczne w obu plikach.

• Uwaga — 24 głowice zapytań, 4 głowice KV, wymiar głowicy 256, częściowy współczynnik rotary 0,25, baza rotary 10 000 000.

• Harmonogram warstw — wzorzec uwagi liniowej do pełnej w proporcji 3:1, 16 powtórzeń, w obu.

• Słownictwo i kontekst — 248,320 tokenów i 262,144 natywnych pozycji, w obu.

Wieża wizyjna — 27 warstw, rozmiar ukryty 1,152, rzutowanie do 5,120, w obu.

Praktyczna konsekwencja jest taka, że kwestia sprzętu jest w obu przypadkach tą samą kwestią. Około 54 GB wag w bf16 — jedna karta 80 GB z zapasem albo dwie karty 40 GB na styk. Żaden z nich nie jest modelem, który uruchomisz na laptopie, i żaden nie ma wydania skwantyzowanego we własnym repozytorium — ekosystem Qwen tworzy takie wydania, a ZwZ2 nie ma prawie żadnego ekosystemu.

Ta jedna różniąca się linia i dwie wartości domyślne, które mają większe znaczenie

Strukturalnie istnieje dokładnie jedna rozbieżność: Qwen3.8-27B ustawia mtp_num_hidden_layers na 1, zachowując głowicę przewidywania wielu tokenów, która według Qwen była trenowana z użyciem wielu kroków. ZwZ2-27B ustawia tę wartość na 0. Model inclusionAI ma odciętą głowicę dekodowania spekulacyjnego, co robi się wtedy, gdy potok treningowy jej nie wykorzystuje, a zamiast tego wolisz dostarczyć mniejszy, prostszy artefakt. To różnica porządkowa, a nie deklaracja projektowa.

Wartości domyślne są tym, co tak naprawdę różni oba modele, i wpłyną na Twoją integrację bardziej niż jakakolwiek wartość konfiguracyjna.

Myślenie. Qwen3.8-27B domyślnie myśli przed udzieleniem odpowiedzi, udostępnia trzy poziomy wysiłku, przy czym domyślnym jest xhigh, i może zachowywać kontekst rozumowania z wcześniejszych tur dzięki preserve_thinking. ZwZ2-27B jest udokumentowany w trybie nie-myślącym: jego quickstart przekazuje enable_thinking=False, jego szablon czatu prosi model o umieszczenie ostatecznych odpowiedzi wewnątrz znaczników <answer>, a cała ewaluacja na 25 benchmarkach została przeprowadzona w ten sposób. Jeśli Twój potok oczekuje odpowiedzi w jednym przebiegu, ZwZ2-27B jest dla Ciebie przygotowany od razu. Jeśli chcesz, aby model prowadził rozważania w ramach zadania składającego się z pięćdziesięciu kroków, Qwen3.8-27B ma do tego mechanizmy, a karta ZwZ2-27B nie deklaruje żadnych.

Modalność.Qwen3.8-27B jest udokumentowany pod kątem rozumienia obrazów i wideo, przy czym próbkowanie wideo jest kontrolowane przez warstwę serwującą. Konfiguracja ZwZ2-27B zawiera video_token_id, ale jego karta i ocena dotyczą wyłącznie nieruchomych obrazów i porównywania regionów. Traktuj wideo jako nieudowodnione po stronie inclusionAI.

Co każda ze stron może faktycznie udowodnić

Obaj dostawcy opublikowali oceny. Nie są one porównywalne, a powodem nie jest marketing — chodzi o to, że oba zestawy mierzą różne rzeczy.

Roszczenie ZwZ2-27B opiera się na 25 benchmarkach w sześciu domenach percepcji, ocenianych przez inclusionAI, przesuwając własną bazę z 55,52 na 60,51. Najwyższe wartości bezwzględne występują w percepcji szczegółowej (średnia domeny 67,57) i rozumieniu długiego kontekstu (68,77), a najniższe w Chartography — 12,00 i AgentVista — 18,18.

Opublikowana tabela Qwen3.8-27B to zestaw testów tekstowych i agentowych z sekcją wizyjną, a Qwen uruchomił go w porównaniu z własnym poprzednikiem. Niektóre różnice między Qwen3.8-27B a Qwen3.6-27B są ogromne:

• Agentowe kodowanie w terminalu — Terminal Bench 2.1 na poziomie 73,0 wobec 63,4 dla Qwen3.6-27B.

• Inżynieria oprogramowania — QwenSWEBench na poziomie 79,0 wobec 49,3, a DeepSWE 1.1 na poziomie 42,2 wobec 13,3.

• Korzystanie z komputera — OSWorld-Verified na poziomie 84,3 w porównaniu z 63,9; WebArena-Verified na poziomie 64,8 w porównaniu z 48,8.

• Użytkowanie mobilne — AndroidWorld uzyskał 81,9 wobec 70,3.

• Multimodalna inżynieria oprogramowania — SWE-MM na poziomie 38,6; RecreationBench na poziomie 47,1 wobec 29,8.

• Rozumowanie naukowe — GPQA Diamond 89,2 w porównaniu z 87,8, a HLE 30,8 w porównaniu z 24,0.

To są własne liczby Qwena z własnego harnessu Qwena i mówią coś prostego: generacja 3.8 nie jest małym krokiem względem 3.6. W pracy nad oprogramowaniem z użyciem agentów poprawa jest mierzona w dziesiątkach punktów, a nie w pojedynczych punktach.

Dlaczego +4,99 w porównaniu z 3,6 nie jest liczbą wynoszącą około 3,8

To jest pułapka w tym porównaniu i łatwo w nią wpaść. Główny zysk ZwZ2-27B wynosi +4,99 względem Qwen3.6-27B. Qwen3.8-27B jest znacznie silniejszym modelem niż Qwen3.6-27B w zestawie testów Qwen. Kuszący wniosek — że zyski ZwZ2 zamykają tę lukę — nie jest uprawniony, a istnieje mechaniczny powód, dla którego nie można tego zweryfikować.

Nie można odejmować wyników różnych przebiegów. 60,51 modelu ZwZ2-27B to średnia dokładności z 25 benchmarków percepcyjnych wybranych przez inclusionAI; wyniki Qwen3.8-27B to punktacje na innym zestawie benchmarków wybranych przez Qwen. Model z wynikiem 60,51 w jednym zestawie testów i model z wynikiem 84,3 w całkowicie innym zadaniu nie mówią nic o ich wzajemnej kolejności, a każdy artykuł, który umieszcza te liczby w jednej kolumnie, fabrykuje ranking, którego nikt nie zmierzył.

To, co można powiedzieć, jest węższe, a mimo to wciąż użyteczne. ZwZ2-27B to ukierunkowana interwencja na modelu, który Qwen od tego czasu zastąpił, a udokumentowana wielkość tej interwencji — pięć punktów na średniej percepcyjnej — ma ten sam rząd wielkości co kilka własnych delt Qwen wynoszących od 3,6 do 3,8 w zadaniach wizyjnych i jest znacznie mniejsza niż jego delty w zadaniach agentowych. To, czy specjalizacja zasypuje lukę pokoleniową w percepcji na poziomie regionów, jest dokładnie tym, co wymagałoby wspólnego harnessu. Nikt go nie zbudował.

Kolumny referencyjne karty sugerują, dlaczego odpowiedź może istnieć. ZwZ2-27B uzyskuje 60,51, podczas gdy inclusionAI zmierzyło GLM-5.3-Flash na 57,24, a DeepSeek-V4.1-Flash na 55,47 — modele hostowane, które pokonał w zestawie zbudowanym wokół porównania regionów, przy czym karta zauważa, że rozdzielczość obrazów zaawansowanych modeli była ograniczona przez ich platformy serwujące. To wynik dotyczący w równym stopniu zestawu, co modeli. Nie jest to dowód dotyczący Qwen3.8-27B, którego nigdy nie było w pokoju.

W przypadku większości zespołów o wyborze decyduje licencja, zanim zrobią to benchmarki.

Qwen3.8-27B jest objęty licencją Apache-2.0, zadeklarowaną w nagłówku karty modelu, ma liczbę pobrań w milionach oraz ekosystem adapterów, dostrojeń i kwantyzacji wokół siebie. ZwZ2-27B nie deklaruje żadnej licencji. Karta modelu wskazuje na „licencję towarzyszącą udostępnionym wagom i odpowiednią licencję modelu bazowego”, co jest rozumowaniem okrężnym, gdy wagi nie zawierają żadnej.

Dla zespołu badawczego to przypis. Dla firmy, która umieszcza model pod produktem, to decydująca granica — i nie jest to nawet blisko. To, że backbone jest na licencji Apache-2.0, nie licencjonuje automatycznie pochodnej, której własne warunki nie zostały podane — to pytanie do radcy prawnego, a dopóki inclusionAI na nie nie odpowie, bezpieczna interpretacja jest taka, że ZwZ2-27B nie ma zgody na wdrożenie komercyjne. Brak artykułu naukowego dodatkowo to pogarsza: karta nadal zawiera dosłowny placeholder PAPER_URL, więc opis metody to README i schemat zbioru danych, nic więcej.

Co możesz dziś nazwać

Qwen3.8-27B jest dostępny do routingu w OrcaRouter już teraz, w ramach jednego klucza z resztą katalogu i w cenie katalogowej dostawcy bez narzutu — więc jeśli Qwen zmieni ceny, zmiana będzie tu widoczna tego samego dnia, a nie po cyklu ponownego ustalania cen. Jest wyceniony na 0,33 USD za milion tokenów wejściowych i 2,40 USD za milion tokenów wyjściowych, z oferowanym kontekstem 262 144 tokenów. Ma to znaczenie w porównaniu takim jak to, w którym zwykle wygrywa tańszy eksperymentator: możesz wykonać test porównawczy Qwen3.8-27B na własnym obciążeniu jeszcze dziś po południu, bez pobierania i bez GPU.

ZwZ2-27B nie znajduje się w naszym katalogu i nazywanie tego łagodniej byłoby nieuczciwe. To 54 GB artefakt do samodzielnego hostowania, bez licencji i bez przepisu na serwowanie, a jedynym sposobem jego oceny jest uruchomienie go. Jeśli później zasłuży na miejsce w Twoim stosie, to warstwa routingu będzie miejscem, w którym oba się spotkają — jeden endpoint, automatyczne przełączanie awaryjne i polityka kierująca ruch związany z porównywaniem regionów do wyspecjalizowanego modelu, a wszystko inne do modelu ogólnego przeznaczenia, zamiast przepisywania.

Który, według obciążenia?

Qwen3.8-27B to uzasadniony domyślny wybór w przypadku niemal wszystkiego. Programowanie agentowe, wieloetapowe korzystanie z narzędzi, sterowanie komputerem i przeglądarką, ogólne rozumowanie, wideo — to tam jego publikowane przyrosty są największe, a jest to jedyny z tych dwóch, który można dziś legalnie dostarczać i praktycznie wdrożyć.

ZwZ2-27B ma węższy przypadek użycia: uruchamiasz już potok klasy Qwen3.6-27B, Twoim wąskim gardłem jest precyzyjny odczyt szczegółów w dokumentach, wykresach lub zrzutach ekranu interfejsu, a dodawanie wywołań narzędzi typu zoom-and-crop do pętli wnioskowania jest nieatrakcyjne. To dokładnie ten problem, który inclusionAI twierdzi, że rozwiązuje — uczenie się porównywania między oznaczonymi obszarami na etapie trenowania, tak aby wnioskowanie nie wymagało narzędzi. Jeśli model bazowy jest warunkiem kontrolnym w Twoim własnym środowisku testowym, lokalny test ZwZ2-27B przeciwko niemu jest tanim i dobrze postawionym eksperymentem.

Nie do obrony jest traktowanie 60,51 dostawcy jako ogólnego wskaźnika możliwości albo porównywanie go z jakimkolwiek wynikiem Qwen3.8 tak, jakby oba mieściły się na jednej skali. Nie mieszczą się, a model, który by to rozstrzygnął — wspólne stanowisko testowe uruchomione przez kogoś bez interesu — nie został ogłoszony bardziej niż sam ZwZ2-27B.

Trzy pytania, które naprawdę nasuwa to porównanie

Czy ZwZ2-27B to po prostu Qwen3.6-27B z dodatkowym treningiem?Architektonicznie tak, aż po harmonogram warstw i wieżę wizyjną, z usuniętą głowicą przewidywania wielu tokenów. Pod względem zachowania zależy to od przepisu po treningu, który inclusionAI opisało tylko na poziomie README: grupy regionów od trzech do siedmiu, pytania generowane z uprzywilejowanych kadrów, filtrowane na podstawie zgodności między modelami i testów drop-one-region, następnie GRPO na około 20 000 przykładów bez etapu nadzorowanego dostrajania. To opis metody, a nie reprodukcja.

Czy przewagi ZwZ2-27B przetrwają zderzenie z Qwen3.8-27B w zadaniach percepcji? Nie wiadomo i nie da się tego ustalić na podstawie obecnych danych. Sekcja wizyjna Qwen3.8-27B jest ukierunkowana na obsługę komputera, obsługę przeglądarki i multimodalną inżynierię oprogramowania, a nie na porównanie na poziomie regionów, więc nawet własna tabela Qwen nie odpowiada na pytanie, które rodzi twierdzenie ZwZ2.

Czy zmiana domyślnego trybu myślenia wpływa na porównanie? Tak, bardziej niż sugeruje różnica w wynikach testów. ZwZ2-27B jest oceniany i udokumentowany jako model jednoprzebiegowy, niemyślący; Qwen3.8-27B jest zbudowany wokół regulowanego wysiłku rozumowania. W przypadku wywołań percepcji wrażliwych na opóźnienia przemawia to za konstrukcją ZwZ2-27B, a w przypadku wszystkiego, co wymaga namysłu — za konstrukcją Qwen3.8-27B — jednak oba modele mierzono przy różnych ustawieniach generowania, więc liczby z testów również niosą ze sobą tę różnicę.