ZoomGain-9B vs Qwen 3.8 8B: Não existe Qwen3.8-8B, e é sobre isso o artigo

Pesquise por "Qwen 3.8 8B" e você encontrará páginas de comparação, links de download e meia dúzia de artigos tratando-o como um modelo já lançado. Não é. A geração Qwen3.8 da Alibaba contém quatro checkpoints abertos — Qwen3.8-27B, sua build FP8, Qwen3.8-2.4T-A95B e Qwen3.8-Flash-Next — e nenhum deles é um 8B. A vaga de 8B na linha Qwen é ocupada pelo Qwen3-8B, um modelo da geração Qwen3 de 2025, que é uma arquitetura diferente, um tokenizer diferente e uma era diferente. Portanto, a versão honesta desta comparação é entre ZoomGain-9B, o checkpoint de visão-linguagem de 9B que a inclusionAI publicou em 10 de novembro de 2026, e os dois modelos Qwen que realmente existem em um tamanho comparável: Qwen3.8-27B, o menor membro denso da geração 3.8 com 27 bilhões de parâmetros, e Qwen3.5-9B, o trunk do qual o ZoomGain-9B foi pós-treinado.

Essa correção não é um detalhe técnico a ser removido do caminho antes da parte interessante. Ela muda a resposta. O Qwen3.5-9B é o modelo base no qual o ZoomGain foi treinado, então é a coisa mais próxima de um experimento controlado em todo este lançamento: mesmos pesos, mesma arquitetura, mesmo tokenizer, 9.000 amostras de RL de diferença. O Qwen3.8-27B tem três vezes o tamanho e é duas gerações mais novo, e é o modelo que você realmente escolheria em vez do ZoomGain se quisesse um endpoint Qwen hoje. Comparar com ambos diz algo que o 8B fantasma nunca poderia.

Por que a entrada fantasma existe, afinal

A nomenclatura não é aleatória. A Q​wen lançou o 27B e o 2.4T-A95B em 5 e 8 de agosto de 2026, depois o Flash-Next em 24 de agosto. A geração anterior, Q​wen3.5, tinha um 9B e um 4B; a Q​wen3.6 tinha 27B e 35B-A3B. Toda geração desde a Q​wen3 incluiu um pequeno modelo denso, e a geração 3.8 é a primeira a deixar de incluir um. Qualquer pessoa que buscasse padrões nas três versões anteriores preveria razoavelmente um Qwen3.8-9B, e um Qwen3.8-8B está a um dígito dessa previsão.

O que realmente preenche a lacuna é a destilação da comunidade. Checkpoints Qwen3.8-9B-Distill surgiram no Hub vindos de laboratórios independentes dentro de uma semana após o lançamento do 27B, e derivados desses derivados se seguiram. São modelos pequenos treinados nas saídas do Qwen3.8, não modelos Qwen3.8. Se uma página que você encontrou descreve "Qwen 3.8 8B" com números de benchmark, a explicação mais provável é que ela está descrevendo um desses, ou que não está descrevendo nada.

A consequência prática: se você precisa de um modelo pequeno da família Qwen, as opções reais atuais são o Qwen3.5-9B com 9B e o Qwen3.5-4B com 4B, ambos de fevereiro de 2026, ambos Apache 2.0, ambos ainda entre os modelos mais baixados no Hub. O ZoomGain-9B é construído sobre o primeiro deles.

O experimento controlado que o lançamento, acidentalmente, proporciona

A configuração do Qwen3.5-9B e a do ZoomGain-9B têm o mesmo formato: 32 camadas, tamanho oculto 4.096, tamanho intermediário 12.288, 16 cabeças de consulta contra 4 cabeças KV com dimensão de cabeça 256, 262.144 posições máximas, e o mesmo esquema 3:1 de DeltaNet linear para atenção completa. A torre de visão é a do modelo base. Nada na arquitetura mudou.

O que mudou foi o pós-treinamento. A ZoomGain aplicou o GRPO a 9.000 perguntas geradas pela mineração de detalhes recortados, por uma época, com oito rollouts por pergunta. Essa é toda a intervenção, e seu efeito medido no ZoomGainBench passa de 32,13 para 55,48 — um salto de 23,35 pontos em um benchmark construído a partir do mesmo pipeline dos dados de treinamento, que o artigo rotula honestamente como "Held-in".

O número que sobrevive a essa ressalva é a média em conjunto reservado (held-out) em treze benchmarks que o treinamento nunca viu: 59,75 para o Qwen3.5-9B, 66,10 para o ZoomGain-9B. Um ganho de 6,35 pontos a partir de 9.000 amostras, com os mesmos pesos. Na família específica visada pelo lançamento, os deltas são maiores: HR-Bench 4K de 82,13 para 90,25, V*Bench de 86,91 para 93,19, VisualProbe de 44,66 para 56,31.

• O interessante resultado negativo — MMStar passa de 71,73 para 73,87, e BabyVision de 15,98 para 17,53. A competência multimodal geral quase não se altera. O treinamento trouxe detalhes finos e pouco mais, que é o que uma execução de RL direcionada com 9.000 amostras deveria fazer.

• A ressalva honesta — tudo o que precede é relatado pelos próprios autores, com base no harness dos autores. Ninguém fora do Ant Group o reproduziu. O avaliador e o benchmark são públicos, portanto é verificável, mas não foi verificado.

Qwen3.8-27B, e a linha que o coloca na mesma tabela

Aqui a comparação fica realmente concreta, porque o artigo do ZoomGain avaliou o Qwen3.8-27B em seu próprio benchmark. O 27B obtém 44,81 no geral no ZoomGainBench — atrás do Kimi-K3, com 48,65, atrás do Qwen3.8-Flash-Next, com 55,05, e atrás de todos os modelos de fronteira de código fechado da tabela. Por essa medida, trata-se de um perceptor de detalhes finos competente, mas sem nada de notável.

Compare isso com os 55,48 do ZoomGain-9B no mesmo teste e a aritmética fica impressionante: um modelo 9B marcando 10,7 pontos acima de um modelo 27B da mesma família, em um benchmark que o marketing de nenhum dos fornecedores escolheria. Mas é exatamente essa a comparação que precisa vir com o rótulo de held-in, e o artigo o aplica. O ZoomGainBench foi construído pelo pipeline que construiu os dados de treinamento do ZoomGain. Um modelo treinado com perguntas desse pipeline já viu a distribuição; um modelo avaliado nele não. A diferença de 10,7 pontos é uma afirmação sobre ajuste à distribuição, não sobre capacidade.

Onde os dois podem ser comparados sem essa distorção, o quadro se inverte. A própria ficha do Qwen3.8-27B informa Terminal Bench 2.1 em 73,0, SWE-bench Pro em 61,7, LiveCodeBench v6 em 90,3, GPQA Diamond 89,2 e HLE 30,8. O ZoomGain-9B não foi avaliado em nenhum desses e não se esperaria que tivesse um bom desempenho: seu treinamento nunca tocou em código, tarefas de terminal ou ciência de nível de pós-graduação. O Qwen3.8-27B também recebe imagens e vídeo nativamente, oferece um contexto de 262.144 tokens extensível a um milhão e suporta controle de raciocínio com `reasoning_effort` — uma capacidade que o ZoomGain-9B não tem de forma alguma, já que sua avaliação é executada com o raciocínio desativado.

• Tamanho e formato — Qwen3.8-27B é denso com 27B, 64 camadas, dimensão oculta 5.120, intermediária 17.408 e uma cabeça de previsão de múltiplos tokens com 1 camada. ZoomGain-9B tem aproximadamente 9,4B, com 32 camadas e dimensão oculta 4.096.

• Disponibilidade — O Qwen3.8-27B tem 7,4 milhões de downloads, licença Apache 2.0, builds FP8 e GGUF, e um endpoint hospedado. O ZoomGain-9B não tem endpoint hospedado, um mapeamento de provedores vazio no Hub, uma licença delegada a um cartão sem tag de licença, e builds GGUF de 11 de novembro como sua única distribuição além do BF16.

• Datas de lançamento — Qwen3.8-27B: 5 de agosto de 2026, um lançamento completo com uma postagem no blog e um relatório técnico. ZoomGain-9B: 10 de novembro de 2026, um artigo científico e um repositório, e nada mais. O intervalo de três meses importa menos do que o fato de que um deles está nas mãos de equipes de produção desde agosto.

O preço de cada rota, e a que realmente podemos vender para você

O Qwen3.8-27B está no catálogo da OrcaRouter a US$ 0,33 por milhão de tokens de entrada e US$ 2,40 por milhão de saída, com contexto de 262K, entrada de texto, imagem e vídeo e 0% de acréscimo sobre o preço de tabela do provedor — o número na página do nosso modelo é o número que a Qwen cobra, repassado, então uma alteração de preço do fornecedor entra em vigor aqui no mesmo dia, em vez de após um ciclo de reprecificação. A mesma chave também dá acesso ao Qwen3.8-Flash e ao Qwen3.8-Max se o 27B se revelar o tamanho errado, e o failover faz com que um endpoint travado tente novamente em um provedor antes de a resposta começar em vez de depois que sua solicitação expirar.

O ZoomGain-9B não está no catálogo e não pode ser chamado por nosso intermédio. São 18,82 GB em BF16, ou 5,63 GB em Q4_K_M mais um projetor mmproj de 0,52 GB, servido sob vLLM 0.19.1 com transformers 5.7.0 ou numa compilação do llama.cpp com suporte multimodal ao Qwen3.5. O próprio Qwen3.5-9B também não está no catálogo, e vale dizer isso claramente: a versão hospedada barata desta comparação também não existe do nosso lado.

Se sua pergunta real é "devo rodar o ZoomGain-9B em vez de pagar por um endpoint Qwen", a comparação de custos não é disputa acirrada em nenhuma das direções e não precisa ser. Um modelo denso de 27B a US$ 0,33 por milhão de tokens de entrada é mais barato do que possuir uma GPU para quase qualquer volume que você descreveria como ocasional. A auto-hospedagem de um 9B só compensa quando o volume é alto, os dados não podem sair da sua rede ou a tarefa é aquela única coisa específica para a qual o 9B foi treinado.

Quando o modelo fantasma teria feito diferença

Há uma lacuna real na linha Qwen, e vale a pena nomeá-la porque explica por que tantas pessoas procuraram por essa comparação. Um modelo denso de 9B com janela de 262K e vocabulário da geração Qwen3.8, vendido por algo próximo do preço do Qwen3.5-9B, seria a escolha econômica óbvia para pipelines com muitas imagens — mais barato que o 27B, mais capaz que o 4B e pequeno o suficiente para ser auto-hospedado em uma única placa. A Qwen não lançou um, então a vaga atualmente é atendida ou pelo Qwen3.5-9B mais antigo ou por uma destilação da comunidade sem nenhum fabricante por trás.

ZoomGain-9B também não é esse modelo, e a distinção importa. É um especialista em percepção com uma questão de licença de pesquisa e sem opção hospedada, não um Q​wen pequeno de propósito geral. Se o que você queria de "Q​wen 3.8 8B" era um generalista barato, o ZoomGain-9B vai decepcioná-lo em tudo, exceto em detalhes finos. Se o que você queria era um modelo capaz de encontrar o número de série em uma fotografia 4K, ele é um dos poucos checkpoints pequenos criados especificamente para isso.

No caso generalista, os substitutos realistas são a linha Qwen3.5 hospedada — 35B-A3B a US$ 0,057 por milhão de tokens de entrada, 27B a US$ 0,086 —, que ocupam a faixa orçamentária que o 8B ausente preencheria, com uma pegada maior e um endpoint real. No caso de percepção, não há substituto hospedado que possamos oferecer: o Qwen3-VL-8B-Instruct, a US$ 0,18 de entrada e US$ 0,70 de saída por milhão de tokens, aceita imagens e funciona como substituto para testar se seus erros são erros de detalhe, mas não foi treinado da forma como o ZoomGain foi e não será equivalente a ele em recortes.

O que fazer com isto, concretamente

Se você veio aqui em busca de um veredito ZoomGain-9B vs Qwen3.8-8B, o veredito é que o oponente não existe e qualquer página que tenha lhe dado um inventou metade da comparação. As duas perguntas reais são mais estreitas e ambas podem ser respondidas hoje.

Questão um: um fine-tune 9B do Qwen3.5-9B é melhor que o Qwen3.5-9B em percepção granular? Segundo os números dos autores, sim, por 6,35 pontos em held-out e por muito mais nos benchmarks que o treinamento visava. Esse é um resultado forte para 9.000 amostras e a coisa mais interessante no lançamento.

Segunda pergunta: o ZoomGain-9B é melhor que o Qwen3.8-27B em algo que importa para você? Em capacidade geral, não — o 27B é mais novo, maior, melhor documentado, licenciado, hospedado e avaliado em muito mais eixos. Em um benchmark construído a partir da própria distribuição de treinamento do ZoomGain, ele pontua 10,7 pontos a mais, o que mostra que o treinamento funcionou e não diz nada sobre qual modelo comprar.

A decisão que se segue é pouco glamorosa. Use um modelo Qwen hospedado para trabalho geral, porque custa $0.33 por milhão de tokens de entrada e chega em uma única chamada de API. Baixe o ZoomGain-9B apenas se você tiver uma tarefa específica de detalhes finos, uma GPU e um advogado que tenha lido um arquivo de licença que o fornecedor não publicou.