ZoomGain-9B против Qwen 3.8 8B: Qwen3.8-8B не существует, и в этом суть статьи

Поищите «Qwen 3.8 8B» — и найдёте страницы сравнения, ссылки на скачивание и полдюжины статей, где её рассматривают как выпущенную модель. Но это не так. Поколение Qwen3.8 от Alibaba включает четыре открытых чекпойнта — Qwen3.8-27B, его FP8-сборку, Qwen3.8-2.4T-A95B и Qwen3.8-Flash-Next, — и ни один из них не является 8B-моделью. Место 8B в линейке Qwen занимает Qwen3-8B — модель из поколения Qwen3 2025 года, с другой архитектурой, другим токенизатором и из другой эпохи. Поэтому честная версия этого сопоставления — между ZoomGain-9B, 9B-чекпойнтом для зрения и языка, опубликованным inclusionAI 10 ноября 2026 года, и двумя моделями Qwen, которые действительно существуют при сопоставимом размере: Qwen3.8-27B, самым маленьким плотным представителем поколения 3.8 с 27 млрд параметров, и Qwen3.5-9B — базовой моделью, на основе которой проводилось постобучение ZoomGain-9B.

Эта поправка — не техническая формальность, которую можно отодвинуть в сторону перед интересной частью. Она меняет ответ. Qwen3.5-9B — базовая модель, на которой обучали ZoomGain, так что это самое близкое к контролируемому эксперименту во всём этом релизе: те же веса, та же архитектура, тот же токенизатор, разница — 9000 RL-сэмплов. Qwen3.8-27B втрое крупнее и на два поколения новее, и именно её вы бы на самом деле выбрали вместо ZoomGain, если бы сегодня вам нужен был эндпоинт Q​wen. Сравнение с обеими даёт информацию, которую фантомная 8B не могла бы дать в принципе.

Почему фантомная запись вообще существует

Названия не случайны. Q​wen выпустила 27B и 2.4T-A95B 5 и 8 августа 2026 года, а затем Flash-Next — 24 августа. В предыдущем поколении, Q​wen3.5, были 9B и 4B; в Q​wen3.6 были 27B и 35B-A3B. В каждом поколении начиная с Q​wen3 была небольшая плотная модель, и поколение 3.8 — первое, в котором её пропустили. Любой, кто искал закономерность в трёх предыдущих релизах, с полным основанием предсказал бы Qwen3.8-9B, а Qwen3.8-8B отличается от этого предсказания всего на одну цифру.

На самом деле этот пробел заполняет дистилляция силами сообщества. Чекпоинты Qwen3.8-9B-Distill появились на Hub от независимых лабораторий в течение недели после выпуска 27B, а затем последовали производные от этих производных. Это небольшие модели, обученные на выходах Qwen3.8, а не модели Qwen3.8. Если найденная вами страница описывает «Qwen 3.8 8B» с цифрами бенчмарков, наиболее вероятное объяснение состоит в том, что она описывает одну из них — или не описывает ничего.

Практическое следствие: если вам нужна небольшая модель семейства Qwen, текущие реальные варианты — это Qwen3.5-9B с 9 млрд параметров и Qwen3.5-4B с 4 млрд параметров, обе выпущены в феврале 2026 года, обе под лицензией Apache 2.0, обе по-прежнему входят в число самых скачиваемых моделей на Hub. ZoomGain-9B построена на первой из них.

Контролируемый эксперимент, который релиз случайно предоставляет

Конфигурации Qwen3.5-9B и ZoomGain-9B имеют одинаковую структуру: 32 слоя, скрытый размер 4096, промежуточный размер 12 288, 16 голов запросов против 4 голов KV при размерности головы 256, максимум 262 144 позиции и та же схема 3:1 чередования линейного DeltaNet и полного внимания. Визионная башня — от базовой модели. В архитектуре ничего не изменилось.

Изменение заключается в посттренировке. ZoomGain применил GRPO к 9 000 вопросов, сгенерированным путём извлечения деталей из обрезанных фрагментов, в течение одной эпохи, с восемью роллаутами на каждый вопрос. Это и есть всё вмешательство, а его измеренный эффект на ZoomGainBench составляет от 32,13 до 55,48 — скачок на 23,35 пункта на бенчмарке, построенном по тому же пайплайну, что и обучающие данные, который в статье честно обозначен как «Held-in».

Число, которое сохраняется несмотря на эту оговорку, — это средний результат на тринадцати бенчмарках, которых обучение никогда не видело: 59,75 у Qwen3.5-9B, 66,10 у ZoomGain-9B. Прирост на 6,35 балла от 9 000 образцов при тех же весах. В конкретном семействе, на которое нацелен релиз, дельты больше: HR-Bench 4K — с 82,13 до 90,25, V*Bench — с 86,91 до 93,19, VisualProbe — с 44,66 до 56,31.

• Интересный отрицательный результат — MMStar перемещается с 71,73 на 73,87, а BabyVision — с 15,98 на 17,53. Общая мультимодальная компетентность почти не меняется. Обучение дало мелкие детали, и почти ничего больше, — чего и следует ожидать от целевого RL-прогона на 9 000 образцов.

• Честная оговорка: всё вышесказанное основано на данных, которые авторы сообщили сами, используя собственный стенд. Никто за пределами Ant Group не воспроизвёл этот результат. Средство оценки и бенчмарк общедоступны, поэтому это можно проверить, но проверка ещё не проводилась.

Qwen3.8-27B, и строка, которая помещает его в ту же таблицу

Здесь сравнение становится по-настоящему предметным, ведь в работе ZoomGain Qwen3.8-27B действительно оценивали на её собственном бенчмарке. Модель 27B набирает 44,81 балла в целом на ZoomGainBench — уступая Kimi-K3 с 48,65, Qwen3.8-Flash-Next с 55,05 и каждой закрытой фронтирной модели в таблице. По этому показателю это компетентный, но ничем не примечательный распознаватель мелких деталей.

Сопоставьте это с 55,48 у ZoomGain-9B на том же тесте — и арифметика выглядит поразительно: модель 9B набирает на 10,7 балла больше, чем модель 27B из того же семейства, на бенчмарке, который маркетинг ни одного из вендоров не выбрал бы. Но именно к этому сравнению и нужно прикреплять метку held-in — и статья это делает. ZoomGainBench был создан тем же конвейером, что и обучающие данные ZoomGain. Модель, обученная на вопросах из этого конвейера, видела это распределение; модель, оцениваемая на нём, — нет. Разрыв в 10,7 балла говорит о соответствии распределению, а не о возможностях.

Там, где эти две модели можно сравнить без такого искажения, картина меняется на противоположную. В собственной карточке Qwen3.8-27B указаны Terminal Bench 2.1 — 73,0, SWE-bench Pro — 61,7, LiveCodeBench v6 — 90,3, GPQA Diamond — 89,2 и HLE — 30,8. ZoomGain-9B не оценивалась ни на одном из них, и от неё не следовало бы ожидать хороших результатов: её обучение никогда не затрагивало код, терминальные задачи или науку уровня выпускника. Qwen3.8-27B также нативно принимает изображения и видео, обслуживает контекст в 262 144 токена с возможностью расширения до одного миллиона и поддерживает управление режимом размышления с помощью `reasoning_effort` — возможности, которой у ZoomGain-9B нет вовсе, поскольку её оценка проводится с отключённым режимом размышления.

• Размер и архитектура — Qwen3.8-27B — это плотная модель с 27 млрд параметров, 64 слоями, скрытой размерностью 5 120, промежуточной размерностью 17 408 и 1-слойной головой multi-token-prediction. ZoomGain-9B — примерно 9,4 млрд параметров, 32 слоя при скрытой размерности 4 096.

• Доступность — Qwen3.8-27B имеет 7,4 млн загрузок, лицензию Apache 2.0, сборки FP8 и GGUF и хостируемую конечную точку. У ZoomGain-9B нет хостируемой конечной точки, пустое сопоставление провайдеров на Hub, лицензия, отложенная до карточки без тега лицензии, и сборки GGUF от 11 ноября как единственный вариант распространения помимо BF16.

Даты релизов — Qwen3.8-27B: 5 августа 2026 года, полноценный запуск с постом в блоге и техническим отчётом. ZoomGain-9B: 10 ноября 2026 года, статья и репозиторий, и ничего больше. Трёхмесячный разрыв значит меньше, чем тот факт, что одна из них с августа используется в продакшене.

Цена каждого маршрута и та, по которой мы действительно можем вам продать.

Qwen3.8-27B присутствует в каталоге OrcaRouter по цене $0,33 за миллион входных токенов и $2,40 за миллион выходных, с контекстом 262K, поддержкой текста, изображений и видео на входе и 0% наценки к прайс-листу провайдера — число на нашей странице модели — это то же число, которое выставляет Qwen, переданное без изменений, поэтому изменение цены поставщиком отражается здесь в тот же день, а не после цикла пересчёта цен. Тот же ключ также открывает доступ к Qwen3.8-Flash и Qwen3.8-Max, если 27B окажется не тем размером, а отработка отказов означает, что зависший эндпоинт повторяет запрос у провайдера до начала ответа, а не после того, как ваш запрос истечёт по таймауту.

ZoomGain-9B отсутствует в каталоге, и вызвать его через нас нельзя. Это 18,82 ГБ в BF16 или 5,63 ГБ в Q4_K_M плюс mmproj-проектор на 0,52 ГБ; запускается под vLLM 0.19.1 с transformers 5.7.0 или под сборкой llama.cpp с поддержкой мультимодальности Qwen3.5. Самого Qwen3.5-9B тоже нет в каталоге, и об этом стоит сказать прямо: дешёвой хостинговой версии этого сравнения на нашей стороне тоже не существует.

Если ваш реальный вопрос — «стоит ли запускать ZoomGain-9B вместо того, чтобы платить за эндпоинт Qwen», то сравнение затрат не даёт близкого перевеса ни в одну сторону, да это и не нужно. Плотная модель на 27B по цене $0.33 за миллион входных токенов обходится дешевле, чем владение GPU почти при любом объёме, который вы назвали бы нерегулярным. Самостоятельный хостинг 9B выигрывает только тогда, когда объём высок, данные не могут покидать вашу сеть или задача — та самая узкая задача, для которой обучали 9B.

Когда модель-фантом имела бы значение

В линейке Qwen есть реальное белое пятно, и его стоит назвать, потому что оно объясняет, почему так много людей искали это сравнение. Плотная модель на 9B с окном в 262K и словарём поколения Qwen3.8, продаваемая примерно по цене Qwen3.5-9B, была бы очевидным бюджетным вариантом для конвейеров с интенсивной работой с изображениями — дешевле 27B, мощнее 4B и достаточно мала, чтобы развернуть её самостоятельно на одной карте. Qwen такую модель не выпустила, поэтому эту нишу сейчас закрывает либо более старая Qwen3.5-9B, либо дистилляция от сообщества, за которой не стоит производитель.

ZoomGain-9B — тоже не та модель, и это различие имеет значение. Это специалист по восприятию с вопросом о лицензии для исследований и без пути через хостинг, а не универсальная небольшая Q​wen. Если от «Q​wen 3.8 8B» вы хотели дешёвого универсала, ZoomGain-9B разочарует вас во всём, кроме тонких деталей. Если же вам нужна была модель, способная найти серийный номер на 4K-фотографии, то это один из немногих небольших чекпойнтов, созданных специально для этого.

Для случая с универсальной моделью реалистичные замены — это облачная линейка Qwen3.5: 35B-A3B по $0,057 за миллион входных токенов и 27B по $0,086. Они занимают бюджетную нишу, которую заполнила бы отсутствующая 8B, но имеют больший ресурсный след и реальный эндпоинт. Для случая с восприятием мы не можем предложить облачную замену: Qwen3-VL-8B-Instruct по $0,18 за входные и $0,70 за выходные токены за миллион принимает изображения и подходит в качестве замены, чтобы проверить, являются ли ваши ошибки ошибками в деталях, но она обучалась не так, как ZoomGain, и не будет соответствовать ей на кропах.

Что с этим делать, конкретно

Если вы пришли сюда за вердиктом по сравнению ZoomGain-9B и Qwen3.8-8B, то вердикт таков: соперника не существует, и любая страница, которая выдала вам такой вердикт, выдумала половину сравнения. Два настоящих вопроса более узкие, и ответы на оба можно получить уже сегодня.

Вопрос первый: превосходит ли дообученная 9B-версия Qwen3.5-9B саму Qwen3.5-9B в мелкозернистом восприятии? Судя по цифрам авторов, да — на 6,35 пункта на отложенной выборке и намного сильнее на бенчмарках, на которые было нацелено обучение. Это сильный результат для 9 000 образцов и самое интересное в релизе.

Вопрос второй: лучше ли ZoomGain-9B, чем Qwen3.8-27B, хоть в чём-то, что для вас важно? По общим возможностям — нет: 27B новее, крупнее, лучше задокументирована, имеет лицензию, размещена на хостинге и оценена по гораздо большему числу параметров. На бенчмарке, построенном на собственном тренировочном распределении ZoomGain, она набирает на 10,7 балла больше, что говорит о том, что обучение сработало, и ничего не говорит о том, какую модель покупать.

Следующее решение прозаично. Для общей работы используйте облачную модель Qwen: она стоит $0.33 за миллион входных токенов и доступна за один вызов API. Скачивайте ZoomGain-9B, только если у вас есть конкретная задача с тонкой детализацией, GPU и юрист, прочитавший файл лицензии, который поставщик не опубликовал.