ZwZ2-27B: Os pesos chegaram em 16 de outubro, a explicação veio dez dias depois

ZwZ2-27B está disponível para download no Hugging Face desde 16 de outubro de 2026. Durante os primeiros dez dias de sua existência pública, não houve anúncio, artigo, README nem licença declarada — apenas dois shards bf16 safetensors sob inclusionAI, e um repositório que não dava motivo para existir. Em 26 de outubro, apareceu um model card. Ele diz que o modelo é um sistema visão-linguagem treinado por aprendizado por reforço, construído sobre Qwen3.6-27B, e publica uma avaliação de 25 benchmarks na qual o modelo supera essa base em 4,99 pontos no geral.

Isso é tudo o que há de novo, e vale a pena separar do que as pessoas vão supor que aconteceu. Isto não é um lançamento. Os pesos têm onze dias e o fornecedor ainda não os anunciou. O que mudou esta semana é que finalmente podemos ler para que a inclusionAI acha que o modelo serve.

O que realmente mudou, por data

O histórico de commits do próprio repositório é a evidência mais limpa disponível, e não favorece a narrativa. Três commits carregam tudo:

• 16 de outubro, 05:42 UTC — commit inicial e, dez minutos depois, “Adicionar os pesos do modelo ZwZ2-27B”. Configuração, tokenizador, processador e os dois shards de pesos. Sem README.

• 26 de outubro, 02:58 UTC — “Create README.md”. A primeira descrição escrita do modelo, dez dias depois dos pesos.

• 26–27 de outubro — revisões repetidas do README e uploads de seis arquivos enquanto as figuras de benchmark e os recursos de imagem eram montados.

No momento em que escrevo, o repositório mostra sete downloads e zero curtidas. O projeto companheiro no GitHub, inclusionAI/Zooming-without-Zooming-v2, foi criado em 14 de outubro e tem uma estrela. Pesquisas pelo nome do modelo em inglês retornam cobertura da família mais antiga ZwZ-2B/4B/8B e do ZwZ2-9B de 16 de outubro, e absolutamente nada sobre o 27B. Se houve um lançamento aqui, ele aconteceu sem público.

O modelo no arquivo de configuração

Os arquivos de configuração são a parte menos glamourosa e mais confiável de qualquer lançamento. Este descreve um modelo denso de visão-linguagem cuja declaração de arquitetura é Qwen3_5ForConditionalGeneration — a mesma classe que os próprios modelos da Qwen usam — com os seguintes números:

• Torre de texto — tamanho oculto de 5.120, 64 camadas, 24 cabeças de consulta e 4 cabeças KV com dimensão de cabeça 256, largura feed-forward de 17.408.

• Layout de atenção — proporção de 3:1 entre camadas de atenção linear e camadas de atenção completa, repetido 16 vezes, com M-RoPE intercalado e base rotacional de 10.000.000.

• Vocabulário e contexto — 248.320 tokens, 262.144 posições nativas.

• Torre de visão — 27 camadas com dimensão oculta de 1,152, projetando para 5,120, tamanho de patch 16 com fusão espacial 2×2.

• Previsão multi-token — mtp_num_hidden_layers definido como 0, ou seja, a cabeça MTP foi removida em relação ao backbone Qwen.

Essa última linha é a única diferença estrutural em relação à base. Todo o resto — número de camadas, geometria das cabeças, vocabulário, limite de contexto, profundidade de visão — corresponde Qwen3.6-27B exatamente. O ZwZ2-27B é o mesmo corpo com um regime de pós-treinamento diferente e uma cabeça de decodificação especulativa removida.

Isso também significa que o modelo não é pequeno. Com 27B parâmetros em bf16, os pesos ocupam aproximadamente 54 GB distribuídos em dois fragmentos, o que resulta em uma carga confortável em um único acelerador de 80 GB ou em uma carga apertada em duas placas de 40 GB. Não há variante quantizada no repositório, nem receita para vLLM ou SGLang, e nenhuma nota de serving além de um início rápido do Hugging Face transformers fixado na versão 5.13.1.

A alegação de +4,99, e exatamente o que ela cobre

A manchete do card é que, em 25 benchmarks em seis domínios, o modelo “supera seu modelo base em todos os benchmarks”, elevando a média geral de 55,52 para 60,51. As duas metades dessa frase conferem com a figura de resultados publicada, e ambas precisam de uma ressalva.

A ressalva é que este é o harness próprio da inclusionAI, sua própria seleção de benchmarks e sua própria pontuação, publicados em seu próprio repositório. Nada aqui foi reproduzido fora da organização. Trata-se de uma avaliação de fornecedor no sentido comum: útil para ver o que a equipe otimizou, mas não utilizável como uma nota independente.

O outro qualificador é a escala. Um ganho de 4,99 pontos numa média de 25 benchmarks é movimento real, mas a média é uma média de acurácias entre tarefas muito diferentes, ponderadas igualmente por domínio. Não é um índice de capacidade e nunca deve ser comparado com uma pontuação de uma suíte diferente.

Aqui está o detalhamento por domínio, base versus ajustado:

• Percepção refinada — de 62.09 para 67.57, um ganho de 5.48 em oito benchmarks, incluindo VStar, HR-8K e MME-RealWorld.

• Percepção espacial — 49,72 a 55,98, um ganho de 6,26 em seis benchmarks.

• Compreensão de contexto longo — 65,87 para 68,77, um ganho de 2,90 em três benchmarks.

• Raciocínio espacial incorporado — 50,17 a 55,71, um ganho de 5,54 em três benchmarks.

• Agentes multimodais — 49,73 a 51,81, um ganho de 2,08 em três benchmarks.

• Raciocínio visual geral — 47,89 a 53,71, um ganho de 5,82 em MMStar e BabyVision.

Onde os ganhos estão concentrados — e onde o modelo ainda é fraco

A forma dessa tabela importa mais do que sua média. Os maiores ganhos relativos recaem sobre percepção espacial e raciocínio corporificado, o que é consistente com o que o método afirma ensinar: comparar, fazer correspondências e agregar evidências em várias regiões marcadas de uma mesma imagem, usando imagens completas no momento da inferência e nenhuma chamada externa de zoom.

Os dois menores ganhos são agentes de contexto longo e multimodais. Esses também são os dois domínios em que o modelo base já era mais forte em relação à tarefa, que é o padrão comum para ajuste fino por RL com uma receita de dados restrita: ele move o que o sinal de recompensa consegue ver.

Os números absolutos são a leitura mais preocupante. Chartography está em 12,00. AgentVista está em 18,18. Perception-Bench em 44,93. Um modelo pode ganhar cinco pontos no geral e ainda assim ficar quase inutilizável em vários benchmarks individuais do conjunto, e este é o caso. Qualquer pessoa que cite “60,51 no geral” como um número de competência geral está citando uma média que esconde um 12.

A receita de treinamento explica o teto. O EvidenceConnect constrói seus dados a partir de imagens SA-1B agrupando de três a sete regiões relacionadas, gerando perguntas com recortes ampliados privilegiados, filtrando por meio de concordância entre modelos e testes de remoção de uma região, convertendo em tarefas de quatro opções e treinando com GRPO — todos os três tamanhos de modelo em cerca de 20.000 exemplos, sem etapa de ajuste fino supervisionado. Essa é uma dieta focada. Ela garante de forma confiável a percepção em nível de região e não finge garantir raciocínio aberto.

As colunas do modelo de referência merecem um aviso

A figura de resultados também inclui três modelos de API como pontos de referência: GPT-5.6-Luna com 54,02, GLM-5.3-Flash com 57,24 e DeepSeek-V4.1-Flash com 55,47, contra os 60,51 do ZwZ2-27B. À primeira vista, isso coloca um checkpoint de pesos abertos enviado discretamente acima de três modelos de produção hospedados.

Três coisas devem moderar essa leitura. Primeiro, a restrição de serving é observada no próprio card: a resolução de imagem dos modelos avançados foi limitada por suas plataformas de serving, o que é uma desvantagem real em um conjunto de benchmark com muitos detalhes finos. Segundo, estas não são as avaliações publicadas pelos próprios fornecedores — é a inclusionAI executando os modelos de outras empresas por meio do harness da inclusionAI, sem qualquer indicação de que os fornecedores estivessem envolvidos ou tenham confirmado os números. Terceiro, a coluna GPT está explicitamente marcada como não reportada para algumas linhas, então o conjunto de referência está preenchido de forma desigual.

Nada disso torna os números errados. Isso significa que são medições de um laboratório sobre seus concorrentes em uma suíte de benchmarks na qual seu próprio modelo teve dez dias de ajuste extra. Trate a comparação de modelos base como a significativa e as colunas de API como contexto.

O que ainda falta

O inventário honesto de incógnitas é mais longo que a lista de conhecidos, e começa pela licença. O front matter do model card etiqueta o modelo base, o dataset e a tarefa do pipeline; não declara uma licença. O corpo diz para “consultar a licença que acompanha os pesos liberados e a licença aplicável do backbone”, o que é circular quando os próprios pesos não trazem uma. Qwen3.6-27B é Apache-2.0, então o lado do backbone está claro. Os termos da derivada não estão, e para uma empresa que quer lançar isso em um produto, essa única omissão é mais consequente do que qualquer linha de benchmark.

O artigo também ainda não foi publicado. O cabeçalho do próprio card contém o texto literal de placeholder <!-- Replace PAPER_URL with the final v2 paper URL. --> e aponta para PAPER_URL. O repositório do projeto existe; o texto ao qual ele deveria apontar não existe.

Além disso:

• Não existe nenhuma avaliação independente do ZwZ2-27B, por parte de ninguém.

• Nenhum anúncio do fabricante, publicação em blog ou publicação em redes sociais foi localizado para este modelo.

• A avaliação publicada é do modo low/thinking — o quickstart do card é executado com enable_thinking=False, e o template de chat solicita as respostas dentro das tags <answer>. Os números do modo thinking não fazem parte da alegação.

• Sem suporte a frameworks além da versão fixada do Transformers. Sem GGUF, sem AWQ, sem configuração publicada do vLLM.

• A ficha lista modos de falha conhecidos — detalhes alucinados, texto mal interpretado, erros de contagem e espaciais —, o que é mais candura do que a maioria das fichas de fornecedores oferece e um resumo justo daquilo que um 12,00 em Chartography representa na prática.

Como avaliá-lo sem apostar nada nisso

O ZwZ2-27B não está no nosso catálogo, e este artigo não deve ser interpretado como se implicasse que está. Para o executar hoje, é preciso transferir 54 GB de pesos, instalar uma versão específica do Transformers e servi-lo por conta própria — o que é uma tarde razoável se já tem o hardware, e um mau uso de uma tarde se está a tentar responder a uma questão de produto esta semana.

Uma sequência mais barata é testar a afirmação, e não o modelo. A afirmação é específica: que o RL em um conjunto de dados de comparação de regiões com 20 mil exemplos torna um checkpoint do Qwen3.6-27B melhor em ler detalhes finos sem ferramentas de zoom. Se esse for o seu gargalo real — documentos densos, gráficos, capturas de tela de UI, perguntas sobre múltiplas regiões — o modelo base é a condição de controle, e seu sucessor já pode ser roteado aqui: Qwen3.8-27B e Qwen3.5-27B estão ambos no OrcaRouter com uma única chave, ao lado de mais de 200 outros modelos pelo preço de tabela do provedor, sem acréscimo. Se um ZwZ2-27B auto-hospedado se mostrar digno de adoção, você pode colocá-lo na mesma chave e deixar o failover automático decidir entre ele e um generalista hospedado, em vez de reescrever a integração.

O que faria isto passar de “upload interessante” para “modelo adotável” é uma lista curta. Uma licença nomeada. Um artigo que permita a alguém verificar a construção do benchmark. Uma execução independente — mesmo que parcial — em benchmarks que o fornecedor não escolheu. E um anúncio que, após onze dias de silêncio, começa a parecer uma ausência deliberada, e não um descuido.

Até lá, a afirmação defensável é estreita e vale a pena enunciar claramente: um checkpoint 27B não documentado da inclusionAI está no Hugging Face desde 16 de outubro e, em 26 de outubro, seus autores estão dispostos a alegar uma melhoria de cinco pontos em relação ao Qwen3.6-27B em um conjunto de benchmarks que eles mesmos criaram. Isso é uma hipótese com pesos anexados. Ainda não é um resultado.