ZwZ2-4B vs Qwen3.8-27B: Specjalista 4,5B spotyka flagowy model Qwen 28B

Załóżmy, że Twój potok przetwarzania obrazów wykonuje 200 000 zapytań dziennie, a Ty masz jedną kartę 16 GB. To jedno ograniczenie wyklucza Qwen3.8-27B, jeszcze zanim omówimy jakikolwiek benchmark: przy 28 miliardach parametrów same wagi BF16 to około 56 GB, a żadna wymyślna sztuczka serwowania nie zmieści ich na 16 GB bez kwantyzacji, której nie uwzględniłeś w budżecie. ZwZ2-4Bnatomiast przy 4,54 miliarda parametrów i pliku wag o rozmiarze 9,08 GB mieści się bez problemu. Uczciwe pytanie nie brzmi więc: który model jest lepszy. Brzmi raczej: czy węższe możliwości małego checkpointu to realne ograniczenie dla Twojego obciążenia, czy też właśnie miałeś zapłacić za flagowy model, żeby odpowiadał na pytania o wycinki zdjęć produktowych.

Jest pewien niuans, który sprawia, że ten pojedynek jest dziwniejszy, niż sugeruje sam nagłówek. Generacja Qwen 3.8 nigdy nie wydała modelu w tej klasie rozmiaru. W jej skład wchodzą: gęsty model 27B z 5 sierpnia 2026 r., model mixture-of-experts z 2,4 biliona parametrów z 8 sierpnia oraz Flash-Next z 24 sierpnia — który, mimo nazwy, jest modelem o 180 miliardach parametrów należącym do innej rodziny architektur. Nie ma żadnego gęstego modelu poniżej 27B. Tak więc ZwZ2-4B ma prawdziwego przeciwnika o tym samym rozmiarze:Qwen3.5-4B, lutowy checkpoint, na podstawie którego go dostrojono. Qwen3.8-27B wchodzi do tego porównania jako górna granica, a nie jako równorzędny przeciwnik.

Nie ma żadnego benchmarku, na którym te dwa mogłyby się spotkać.

Zacznij od tego, co sprawia, że większość stron porównawczych jest nieuczciwa. Qwen3.8-27B ma opublikowane ewaluacje i ekosystem; ZwZ2-4B ma 25 wyników benchmarków, które istnieją wyłącznie w jego własnej karcie modelu — uzyskało je laboratorium, które go wytrenowało — i nigdzie nie zostały niezależnie zreplikowane. Nie można zestawić zgłoszonego przez dostawcę wyniku 54,79 z zestawem benchmarków z innego laboratorium i odejmować jednego od drugiego. Tych dwóch liczb nie uzyskano na tych samych zadaniach, przy tej samej rozdzielczości ani w ramach tego samego harnessu.

Ten tekst nie rozstrzyga więc, który z nich jest lepszy. Porównuje, do czego każdy z nich został stworzony, ile kosztuje jego eksploatacja i z czego rezygnuje mniejszy z nich. Tam, gdzie pojawia się liczba, oznaczono, kto ją podał.

Luka, wymiar po wymiarze

• Parametry — ZwZ2-4B 4,539,265,536 vs Qwen3.8-27B 28B na jego karcie

• Wagi na dysku — około 9,08 GB w formacie BF16 w porównaniu z około 56 GB w formacie BF16

• Głębokość — 32 warstwy vs 64

• Szerokość — rozmiar warstwy ukrytej 2 560 vs 5 120

• Kształt uwagi — 16 głowic zapytań względem 4 głowic KV przy wymiarze głowicy 256, w obu

• Harmonogram uwagi — stosunek liniowy do pełnego wynoszący 3:1 w obu

• Okno kontekstu — 262,144 pozycji w obu

• Słownictwo — 248,320 tokenów w obu

• Wieża wizyjna — 24 warstwy przy rozmiarze ukrytym 1,024 vs 27 warstw przy rozmiarze ukrytym 1,152

• Licencja — brak zadeklarowanej dla ZwZ2-4B vs Apache-2.0 dla Qwen3.8-27B

Cztery pasujące wiersze są tymi interesującymi. Oba modele dziedziczą ten sam identyfikator architektury, qwen3_5, z tą samą geometrią uwagi i tym samym limitem kontekstu. Generacja 3.8 nie przeprojektowała stosu; ona go skalowała. Dlatego konfiguracja modelu 4B wygląda jak miniatura konfiguracji 27B, a nie jak obcy obiekt, i dlatego też 4B dziedziczy charakterystykę obsługi 27B — to warstwy liniowej uwagi sprawiają, że kontekst 262K jest przystępny przy tym rozmiarze.

Jedyna liczba w całym tym zestawieniu, którą można porównać jabłko do jabłka

Karta ZwZ2-4B podaje 49,41 dla jej modelu bazowego i 54,79 dla niej samej w 25 benchmarkach, co daje wzrost o 5,38 punktu. To porównanie dwóch checkpointów wytrenowanych i zmierzonych według tej samej procedury, na tych samych zadaniach, przez to samo laboratorium. Nadal jest to raportowane przez dostawcę, a wybór benchmarków należy do laboratorium, ale przynajmniej obie strony tego odejmowania są porównywalne.

Z tego wynikają dwie rzeczy. Po pierwsze, zysk jest realny tylko w tym sensie, że laboratorium go zmierzyło; nikt nie odtworzył wyniku 54,79. Po drugie, i to bardziej użyteczne, model bazowy jest mocnym modelem. Qwen3.5-4B ma 7,4 mln pobrań miesięcznie i 1 145 polubień — to szeroko wdrożony checkpoint z realnym ekosystemem. Jeśli ZwZ2-4B jest o 5,38 punktu lepszy w zadaniach mocno opartych na percepcji, to znacząca różnica względem modelu, którego ludzie faktycznie używają. Jeśli jest o 5,38 punktu lepszy na benchmarkach dobranych tak, by nagradzać dokładnie to, do czego go trenowano, różnica w środowisku produkcyjnym będzie mniejsza.

Metoda wyjaśnia, która interpretacja jest bardziej prawdopodobna. ZwZ2 wytrenowano z GRPO na pytaniach wielokrotnego wyboru z czterema opcjami, zbudowanych z wycinków regionów SA-1B — około 20 000 takich pytań — bez etapu nadzorowanego dostrajania. Każdy sygnał treningowy, jaki model kiedykolwiek widział, był wyborem spośród czterech możliwości dotyczącym tego, czy region zawiera dowody potrzebne do pytania. Obciążenie o takim profilu to warunki, w których 5.38 powinno się utrzymać. Otwarty opis nie ma takiego profilu.

Co zapewnia flagowy model 28B, czego nie może zapewnić 4.5B

Qwen3.8-27B to ogólny model wizualno-językowy: obrazy, wideo, elastyczna kontrola myślenia, licencja Apache-2.0 oraz wystarczający zapas parametrów, by przyswoić szeroki zakres danych przedtreningowych, a nie jeden wąski, wysokiej jakości syntetyczny program nauczania. Jego liczba pobrań — 7,5 mln w zeszłym miesiącu i 18 500 polubień — to sygnał ekosystemowy, który ma znaczenie, gdy wybierasz model bazowy, a nie specjalistyczny. Istnieją dla niego adaptery, kwantyzacje, wersje dostrojone i narzędzia, których nie ma dla checkpointu z zerową liczbą pobrań.

Szerokość ujawnia się w rodzajach błędów. Karta modelu ZwZ2-4B wymienia halucynacje, błędne odczytanie tekstu, błędy liczenia i błędy przestrzenne oraz zauważa, że wyniki zależą od rozdzielczości obrazu, długości kontekstu i formatu promptu. Model ogólnego przeznaczenia 28B zasadniczo ma te same klasy błędów, ale dysponuje większą zdolnością utrzymania szczegółów w dłuższym kontekście i nie wymaga, by zadanie przypominało wybór spośród czterech opcji.

W przypadku ekstrakcji dokumentów, rozumowania wielostronicowego, wideo lub czegokolwiek, gdzie odpowiedź ma formę akapitu, a nie regionu, 27B jest lepszym narzędziem, a różnica rozmiaru nie jest czynnikiem decydującym — decyduje cel treningowy.

Arytmetyka kosztów, z rzeczywistymi cenami

Tutaj porównanie przestaje być abstrakcyjne. Na OrcaRouter, qwen/qwen3.8-27b jest udostępniany po $0.33 za milion tokenów wejściowych i $2.40 za milion wyjściowych, z kontekstem 262K. Weźmy reprezentatywne zapytanie obrazowe o 1500 tokenach wejściowych i 300 tokenach wyjściowych. Tysiąc takich zapytań kosztuje około $1.22 na modelu 27B. Lżejszy qwen/qwen3.8-flash, przy $0.15 i $0.47, wypada blisko $0.37 za ten sam tysiąc. Hostowany model wizyjny 8B plasuje się między nimi.

ZwZ2-4B nie ma ceny za token, ponieważ nie ma hostowanego punktu końcowego — strona Hugging Face podaje, że żaden dostawca go nie udostępnia. Jego koszt to tyle, ile kosztuje Twoja godzina GPU, podzielone przez przepustowość, i jest to jedyna opcja w tym porównaniu, która działa na pojedynczej karcie 16 GB. To cały argument ekonomiczny za mniejszym modelem, i jest on mocny, jeśli już płacisz za sprzęt.

Jedna kwestia strukturalna dotycząca routingu, ponieważ wpływa na sposób testowania tego. OrcaRouter przekazuje ceny katalogowe dostawców bez narzutu (0%), więc gdy Qwen zmienia cenę hostowanego modelu Qwen, liczba powyżej zmienia się tego samego dnia, a nie przy następnym odnowieniu umowy. Porównywanie kosztów między checkpointem hostowanym samodzielnie a modelem hostowanym jest uczciwe tylko wtedy, gdy strona hostowana odzwierciedla dzisiejszą cenę katalogową, i to jest cecha, o której tu mowa — nie rabat.

Gdzie mały model wygrywa nawet z flagowcem

Trzy przypadki — i są one węższe, niż to zwykle sugeruje marketing małych modeli.

Pierwsza to kontrola wdrożenia. Plik BF16 o rozmiarze 9,08 GB można przypiąć, wersjonować i wysłać na urządzenie brzegowe. Pliku o rozmiarze 56 GB nie można, a hostowane API nie daje ani wag, ani gwarancji wersji. Jeśli Twoim ograniczeniem produktowym jest „model podróżuje z urządzeniem”, to 27B nie jest kandydatem za żadną cenę.

Drugą kwestią jest przewidywalność kosztów przy dużej skali. Wnioskowanie hostowane samodzielnie ma płaską krzywą kosztów i brak licznika opłat za token. Przy 200 000 zapytań obrazowych dziennie 1,22 USD za tysiąc daje około 244 USD dziennie — około 7300 USD miesięcznie — w przypadku modelu 27B w cenie katalogowej. To, czy samodzielny hosting wygrywa z tym rozwiązaniem, zależy wyłącznie od wykorzystania, a pojedyncza niedostatecznie wykorzystana karta często nie wystarcza, by to pobić.

Po trzecie: specjalizacja zadaniowa. Jeśli Twoje obciążenie naprawdę sprowadza się do pytania „który z tych czterech regionów zawiera dowód”, ZwZ2-4B był trenowany dokładnie na takim kształcie zadania, z krokiem filtrowania zaprojektowanym tak, aby usuwać pytania, na które można odpowiedzieć bez regionu. Generalista zużywa zdolności na wszystko inne. To przypadek, w którym checkpoint 4.5B może pokonać model 28B, i jedyny przypadek, w którym twierdzenie dostawcy o 5.38 punktu oznaczałoby to, czego czytelnik ma nadzieję, że oznacza.

Jak decydować, w kolejności, w jakiej decyzja faktycznie następuje

• Jeśli wagi muszą znajdować się na sprzęcie, który kontrolujesz, a ten sprzęt jest mały — wybierz ZwZ2-4B, zaakceptuj niejednoznaczność licencji i zarezerwuj środki na własną ewaluację.

• Jeśli zadanie polega na wyborze wielokrotnym opartym na regionach lub wyszukiwaniu dowodów wizualnych — przetestuj ZwZ2-4B w porównaniu z Qwen3.5-4B na własnych danych, zanim spojrzysz na 5.38 z karty. Ta różnica, odtworzona, to jedyna liczba, która ma znaczenie.

• Jeśli potrzebujesz wideo, długich dokumentów, otwartego opisu lub licencji, którą podpisze Twój zespół prawny — wybierz Qwen3.8-27B i przestań czytać.

• Jeśli nie masz sprzętu ani ochoty na serwowanie — wybierz hostowaną ścieżkę Qwen, ponieważ alternatywa to projekt operacyjny, a nie wybór modelu.

Niewygodna część tego starcia polega na tym, że interesujące porównanie nie jest tym z tytułu. ZwZ2-4B kontra Qwen3.8-27B to decyzja o klasie wdrożenia przebrana za porównanie modeli. Prawdziwy bezpośredni pojedynek — ta sama baza, ten sam rozmiar, ten sam koszt serwowania, zmierzona różnica 5,38 punktu — to ZwZ2-4B przeciwko Qwen3.5-4B, i to jest eksperyment wart przeprowadzenia na własnych obrazach, zanim którakolwiek z tych liczb zmieni twoją architekturę.