ZwZ2-27B: веса появились 16 октября, а объяснение — десять дней спустя

ZwZ2-27B можно скачать с Hugging Face с 16 октября 2026 года. В первые десять дней после появления в открытом доступе не было ни анонса, ни статьи, ни README, ни указанной лицензии — лишь два шарда bf16 safetensors под inclusionAI и репозиторий, не объяснявший причин своего существования. 26 октября появилась карточка модели. В ней говорится, что модель — это обученная с подкреплением визуально-языковая система на базе Qwen3.6-27B, и приводится оценка по 25 бенчмаркам, в которой модель превосходит эту базовую модель в целом на 4,99 балла.

Вот и всё, что нового, и это стоит отделить от того, что люди предположат, будто произошло. Это не запуск. Весам одиннадцать дней, а вендор до сих пор их не анонсировал. Что изменилось на этой неделе — мы наконец можем увидеть, для чего, по мнению inclusionAI, предназначена модель.

Что на самом деле изменилось, по датам

Собственная история коммитов репозитория — это самые чистые из имеющихся доказательств, и она не льстит этой версии событий. Всё держится на трёх коммитах:

16 октября, 05:42 UTC — первоначальный коммит, а через десять минут — «Добавить веса модели ZwZ2-27B». Конфиг, токенизатор, процессор и два шарда весов. Без README.

• 26 октября, 02:58 UTC — «Create README.md». Первое письменное описание модели, появившееся через десять дней после весов.

• 26–27 октября — повторные правки README и загрузки шести файлов по мере сборки показателей бенчмарка и графических материалов.

На момент написания репозиторий показывает семь загрузок и ноль лайков. Сопутствующий проект GitHub, inclusionAI/Zooming-without-Zooming-v2, был создан 14 октября и имеет одну звезду. Поисковые запросы по названию модели на английском языке возвращают материалы о более старом семействе ZwZ-2B/4B/8B и о ZwZ2-9B от 16 октября, и совсем ничего о 27B. Если здесь и был запуск, то он прошёл без аудитории.

Модель в конфигурационном файле

Конфигурационные файлы — самая негламурная и самая надёжная часть любого релиза. Этот файл описывает визуально-языковую модель плотной архитектуры, в которой объявлена архитектура Qwen3_5ForConditionalGeneration — тот же класс, который используют собственные модели Qwen, — со следующими числами:

• Текстовая башня — скрытый размер 5,120, 64 слоя, 24 головы запросов и 4 головы KV при размерности головы 256, ширина прямой связи 17,408.

• Схема организации внимания — соотношение 3:1 между слоями линейного внимания и слоями полного внимания, повторяющееся 16 раз, с чередующимся M-RoPE и ротационной базой 10 000 000.

• Словарь и контекст — 248 320 токенов, 262 144 нативные позиции.

• Башня зрения — 27 слоёв с размерностью скрытого состояния 1 152, проецируется в 5 120, размер патча — 16, пространственное объединение 2×2.

• Предсказание нескольких токенов — для mtp_num_hidden_layers задано значение 0, т. е. MTP-голова была удалена относительно бэкбона Qwen.

Последняя строка — единственное структурное отличие от базовой модели. Всё остальное — число слоёв, геометрия голов, словарь, потолок контекста, глубина зрения — совпадает Qwen3.6-27Bточно. ZwZ2-27B — это то же тело, но с другим режимом постобучения и без одной головы спекулятивного декодирования.

Это также означает, что модель не маленькая. При 27 млрд параметров в bf16 веса занимают примерно 54 ГБ и разбиты на два шарда, что обеспечивает комфортную загрузку на одном ускорителе с 80 ГБ или напряжённую — на двух картах по 40 ГБ. В репозитории нет квантованного варианта, нет рецепта для vLLM или SGLang, а также нет заметок по обслуживанию, кроме быстрого старта с Hugging Face transformers, закреплённого на версии 5.13.1.

Утверждение о +4.99 и то, что именно оно охватывает

В карточке главное утверждение состоит в том, что на 25 бенчмарках в шести доменах модель «улучшает результаты по сравнению со своей базовой моделью на каждом бенчмарке», повышая общее среднее с 55,52 до 60,51. Обе части этого предложения подтверждаются опубликованной диаграммой результатов, и обеим нужна оговорка.

Оговорка состоит в том, что это собственный испытательный стенд inclusionAI, его собственный выбор бенчмарков и его собственная система оценки, опубликованные в его собственном репозитории. Ничто из этого не воспроизводилось за пределами организации. Это вендорская оценка в обычном смысле: полезная для понимания того, на что оптимизировала команда, но непригодная в качестве независимой оценки.

Другой оговоркой является масштаб. Прирост в 4,99 пункта по среднему значению на 25 бенчмарках — это реальный сдвиг, но среднее значение представляет собой усреднение точностей по весьма разным задачам, взвешенных поровну по доменам. Это не индекс возможностей, и его никогда не следует сравнивать с оценкой из другого набора.

Вот разбивка на уровне доменов: базовая версия против настроенной:

• Тонкое восприятие — с 62,09 до 67,57, прирост на 5,48 по восьми бенчмаркам, включая VStar, HR-8K и MME-RealWorld.

• Пространственное восприятие — с 49,72 до 55,98, прирост на 6,26 по шести бенчмаркам.

• Понимание длинного контекста — с 65,87 до 68,77, прирост на 2,90 по трём бенчмаркам.

• Воплощённое пространственное мышление — от 50,17 до 55,71, прирост 5,54 по трём бенчмаркам.

• Мультимодальные агенты — с 49.73 до 51.81, прирост 2.08 по трём бенчмаркам.

• Общее визуальное рассуждение — с 47,89 до 53,71, прирост на 5,82 по MMStar и BabyVision.

Где сосредоточены улучшения — и где модель всё ещё слаба

Форма этой таблицы важнее её среднего значения. Наибольшие относительные приросты приходятся на пространственное восприятие и воплощённое рассуждение, что согласуется с тем, чему, как утверждается, учит метод: сравнению, сопоставлению и агрегированию свидетельств по нескольким отмеченным областям одного изображения с использованием полных изображений во время вывода и без внешних вызовов масштабирования.

Два наименьших прироста — это агенты с длинным контекстом и мультимодальные агенты. Это также две области, в которых базовая модель уже была сильнее всего относительно задачи, что является обычной закономерностью для RL-дообучения на узком рецепте данных: оно улучшает то, что видит сигнал награды.

Абсолютные цифры читаются более отрезвляюще. Chartography находится на отметке 12.00. AgentVista — на отметке 18.18. Perception-Bench — на отметке 44.93. Модель может прибавить пять баллов в целом и всё равно оставаться почти непригодной на нескольких отдельных бенчмарках из набора — и эта модель именно такая. Любой, кто приводит «60.51 overall» как показатель общей компетентности, приводит среднее, которое скрывает 12.

Рецепт обучения объясняет этот потолок. EvidenceConnect строит свои данные из изображений SA-1B: группирует от трёх до семи связанных регионов, генерирует вопросы с привилегированными увеличенными фрагментами, фильтрует через согласованность между моделями и тесты с исключением одного региона, преобразует в задачи с четырьмя вариантами и обучает с помощью GRPO — все три размера моделей примерно на 20 000 примерах, без этапа контролируемого дообучения. Это сфокусированный рацион. Он надёжно обеспечивает восприятие на уровне регионов и не претендует на открытое рассуждение.

Столбцы эталонной модели заслуживают предупреждения

На графике результатов также приведены три API-модели для сравнения: GPT-5.6-Luna — 54,02, GLM-5.3-Flash — 57,24 и DeepSeek-V4.1-Flash — 55,47 — против 60,51 у ZwZ2-27B. На первый взгляд это ставит незаметно выложенный чекпоинт с открытыми весами выше трёх размещённых в продакшене моделей.

Три обстоятельства должны умерять такую интерпретацию. Во-первых, ограничение обслуживания отмечено в самой карточке: разрешение изображений у продвинутых моделей было ограничено их платформами обслуживания, что является реальным недостатком на наборе бенчмарков с обилием мелких деталей. Во-вторых, это не собственные опубликованные оценки тех поставщиков — это inclusionAI, прогоняющая модели других компаний через собственный испытательный стенд inclusionAI, без каких-либо указаний на то, что поставщики участвовали или подтвердили эти цифры. В-третьих, столбец GPT для некоторых строк явно помечен как «не сообщается», поэтому эталонный набор заполнен неравномерно.

Ничто из этого не делает числа неверными. Это означает лишь, что это измерения одной лаборатории её конкурентов на наборе бенчмарков, где её собственная модель настраивалась на десять дней дольше. Рассматривайте сравнение базовых моделей как значимое, а столбцы API — как контекст.

Чего всё ещё не хватает

Честный перечень неизвестных длиннее списка известных, и начинается он с лицензии. Вводная часть карточки модели содержит теги базовой модели, набора данных и задачи конвейера; лицензия в ней не объявлена. В основном тексте сказано «обратитесь к лицензии, сопровождающей выпущенные веса, и к применимой лицензии базовой модели», что замыкается в круг, когда сами веса не несут лицензии. Qwen3.6-27B распространяется под Apache-2.0, поэтому со стороной базовой модели всё ясно. Условия производной модели — нет, и для компании, которая хочет выпустить это в составе продукта, это единственное упущение имеет более серьёзные последствия, чем любая строка с результатами бенчмарка.

Статья также ещё не вышла. Заголовок самой карточки содержит буквальный текст-заполнитель <!-- Replace PAPER_URL with the final v2 paper URL. --> и ссылки на PAPER_URL. Репозиторий проекта существует; материала, на который он должен ссылаться, нет.

Кроме того:

• Независимой оценки ZwZ2-27B не существует — ни от кого.

• Для этой модели не найдено ни объявления производителя, ни записи в блоге или сообщения в социальной сети.

• Опубликованная оценка относится к режиму low/thinking — быстрый старт из карточки запускается с enable_thinking=False, а шаблон чата требует, чтобы ответы находились внутри тегов <answer>. Показатели режима размышления не входят в заявленные результаты.

• Никакой поддержки других фреймворков, кроме закреплённой версии Transformers. Ни GGUF, ни AWQ, ни опубликованной конфигурации vLLM.

• В карточке перечислены известные виды отказов — выдуманные подробности, неверно прочитанный текст, ошибки подсчёта и пространственные ошибки — это больше откровенности, чем предлагают большинство карточек поставщиков, и честное описание того, как на практике выглядит 12.00 по Chartography.

Как это оценить, ничего на это не ставя

ZwZ2-27B отсутствует в нашем каталоге, и этот материал не следует воспринимать как намёк на то, что он там есть. Чтобы запустить его сегодня, нужно скачать 54 ГБ весов, установить определённую сборку Transformers и развернуть его самостоятельно — это разумный способ провести день, если оборудование у вас уже есть, и плохая трата этого времени, если на этой неделе вы пытаетесь ответить на вопрос о продукте.

Более дешёвый путь — проверить само утверждение, а не модель. Утверждение узкое: что RL на датасете сравнения регионов из 20 тыс. примеров делает чекпоинт Qwen3.6-27B лучше в чтении мелких деталей без инструментов масштабирования. Если это и есть ваше реальное узкое место — плотные документы, графики, скриншоты интерфейсов, вопросы по нескольким регионам — базовая модель служит контрольным условием, а её преемник уже доступен для маршрутизации здесь: Qwen3.8-27B и Qwen3.5-27B обе на OrcaRouter за одним ключом, наряду с более чем 200 другими моделями по прайс-листу провайдера без наценки. Если самостоятельно размещённая ZwZ2-27B окажется достойной внедрения, вы сможете добавить её на тот же ключ и позволить автоматическому переключению при сбое выбирать между ней и размещённым универсалом, вместо того чтобы переписывать интеграцию.

Чтобы это перешло из категории «интересная загрузка» в категорию «модель, которую можно внедрять», нужен короткий список. Названная лицензия. Статья, позволяющая кому-то проверить, как построен бенчмарк. Один независимый запуск — пусть даже частичный — на бенчмарках, которые выбирал не поставщик. И объявление, которое после одиннадцати дней молчания начинает выглядеть как намеренное отсутствие, а не упущение.

До тех пор защищаемое утверждение остаётся узким, и его стоит сформулировать прямо: недокументированный чекпойнт 27B от inclusionAI лежит на Hugging Face с 16 октября, и по состоянию на 26 октября его авторы готовы заявлять об улучшении на пять пунктов по сравнению с Qwen3.6-27B на наборе бенчмарков, который они создали сами. Это гипотеза с приложенными весами. Это пока не результат.