ZwZ2-27B против Qwen3.8-27B: одинаковый скелет, две совершенно разные ставки

Самое странное в сравнении ZwZ2-27B с Qwen3.8-27B — то, что эти две модели представляют собой одну и ту же машину. Откройте оба конфигурационных файла, и числа совпадут строка в строку: 64 слоя, скрытая размерность 5 120, 24 головы запросов против 4 голов KV при размерности 256, ширина feed-forward 17 408, словарь на 248 320 токенов, 262 144 позиции и 27-слойная визуальная башня со скрытой размерностью 1 152. Они даже заявляют один и тот же класс архитектуры. Их разделяет не ширина и не глубина, а то, что каждая лаборатория сделала с этим телом впоследствии, — и пока что никто не запускал их друг против друга, чтобы выяснить, чей выбор победил.

Это отсутствие — первое, о чём стоит сказать прямо. Опубликованная оценка inclusionAI для ZwZ2-27B сравнивает его с GPT-5.6-Luna, GLM-5.3-Flash и DeepSeek-V4.1-Flash. В ней нет Qwen3.8-27B и нет ни одной модели Qwen новее той, на основе которой был создан ZwZ2. Qwen, со своей стороны, никогда вообще не упоминала ZwZ2. Каждое приведённое ниже число — это либо измерение лабораторией самой себя, либо измерение Qwen самой себя, и ни одна третья сторона не сравнивала их в рамках единого стенда.

Тот же скелет, строка за строкой

Стоит уточнить, насколько они близки, потому что обычная формулировка «27B против 27B» преуменьшает это. Это не две модели, которые случайно оказались в похожем масштабе; это два прогона постобучения на взаимозаменяемой архитектуре.

• Параметры — 27B у обоих, плотная архитектура (dense), без маршрутизации mixture-of-experts ни в одной из конфигураций.

• Глубина и ширина — 64 слоя, размер скрытого слоя 5 120, размер промежуточного слоя 17 408, идентичны в обоих файлах.

• Внимание — 24 головы запросов, 4 головы KV, размерность головы 256, коэффициент частичного вращения 0,25, база вращения 10 000 000.

• Схема слоёв — паттерн внимания 3:1 от линейного к полному, 16 повторений, в обоих.

• Словарный запас и контекст — 248 320 токенов и 262 144 нативные позиции, в обоих случаях.

• Башня зрения — 27 слоёв, размер скрытого представления 1,152, проецирование в 5,120, в обоих.

Практическое следствие состоит в том, что вопрос аппаратного обеспечения для обеих моделей — один и тот же. Около 54 ГБ весов в bf16: одна карта на 80 ГБ с запасом или две карты по 40 ГБ впритык. Ни одну из них не запустить на ноутбуке, и ни у одной нет квантованного релиза в собственном репозитории — их выпускает экосистема Qwen, а у ZwZ2 экосистемы почти совсем нет.

Единственная отличающаяся строка — и два значения по умолчанию, которые важнее.

Структурно есть ровно одно расхождение: Qwen3.8-27B задаёт для mtp_num_hidden_layers значение 1, сохраняя голову предсказания нескольких токенов, которая, по словам Qwen, обучалась в несколько шагов. ZwZ2-27B задаёт для неё значение 0. У модели inclusionAI голова спекулятивного декодирования ампутирована — так поступают, когда конвейер обучения её не использует и вы предпочли бы поставлять более компактный и простой артефакт. Это разница уровня технического обслуживания, а не заявление о дизайне.

Именно значения по умолчанию — это то место, где две модели фактически расходятся, и они повлияют на вашу интеграцию сильнее, чем любое значение конфигурации.

Размышление.Qwen3.8-27B по умолчанию размышляет перед ответом, предоставляет три уровня усилий, причём по умолчанию используется xhigh, и может сохранять контекст рассуждений из предыдущих ходов с помощью preserve_thinking. ZwZ2-27B документирован в режиме без размышлений: его quickstart передаёт enable_thinking=False, его шаблон чата просит модель помещать окончательные ответы в теги <answer>, и вся оценка на 25 бенчмарках проводилась таким образом. Если ваш конвейер ожидает ответ за один проход, ZwZ2-27B уже из коробки заточен под это. Если вы хотите, чтобы модель обдумывала задачу из пятидесяти шагов, у Qwen3.8-27B есть для этого механизм, а карточка ZwZ2-27B ничего подобного не заявляет.

Модальность. Qwen3.8-27B документирован как модель для понимания изображений и видео, при этом выборка видеоданных управляется на уровне слоя обслуживания. В конфигурации ZwZ2-27B присутствует video_token_id, однако её карточка и оценка полностью посвящены статичным изображениям и сравнению регионов. На стороне inclusionAI видео следует считать неподтверждённой возможностью.

Что на самом деле может доказать каждая сторона

Оба поставщика опубликовали результаты оценок. Они несопоставимы, и причина вовсе не в маркетинге — просто эти два набора тестов измеряют разные вещи.

Утверждение ZwZ2-27B держится на 25 бенчмарках в шести перцептивных областях, оценённых inclusionAI, и поднимает собственную базовую планку с 55.52 до 60.51. Самые высокие абсолютные показатели — в мелкозернистом восприятии (среднее по домену 67.57) и понимании длинного контекста (68.77), а самые низкие — у Chartography с 12.00 и AgentVista с 18.18.

Опубликованная таблица Qwen3.8-27B — это набор тестов для текста и агентов с разделом по компьютерному зрению, и Qwen прогнала его на своём собственном предшественнике. Некоторые разрывы между Qwen3.8-27B и Qwen3.6-27B огромны:

• Агентное программирование в терминале — Terminal Bench 2.1: 73,0 против 63,4 у Qwen3.6-27B.

• Разработка программного обеспечения — QwenSWEBench: 79,0 против 49,3, и DeepSWE 1.1: 42,2 против 13,3.

• Использование компьютера — OSWorld-Verified: 84,3 против 63,9; WebArena-Verified: 64,8 против 48,8.

• Использование мобильных устройств — AndroidWorld на уровне 81,9 против 70,3.

• Мультимодальная разработка программного обеспечения — SWE-MM: 38,6; RecreationBench: 47,1 против 29,8.

• Научное рассуждение — GPQA Diamond: 89,2 против 87,8, и HLE: 30,8 против 24,0.

Это собственные цифры Qwen на собственном стенде Qwen, и они говорят о простой вещи: поколение 3.8 — не маленький шаг по сравнению с 3.6. В агентных задачах по разработке ПО улучшение измеряется десятками пунктов, а не единицами.

Почему +4,99 против 3,6 — это не число около 3,8

В этом и заключается ловушка сравнения, и в неё легко попасть. Заявленный прирост ZwZ2-27B составляет +4.99 относительно Qwen3.6-27B. Qwen3.8-27B — гораздо более сильная модель, чем Qwen3.6-27B, в наборе тестов Qwen. Соблазнительный вывод — будто приросты ZwZ2 закрывают разрыв — не следует, и есть механическая причина, по которой это невозможно проверить.

Нельзя вычитать результаты разных прогонов. 60,51 у ZwZ2-27B — это среднее точности по 25 перцептивным бенчмаркам, выбранным inclusionAI; показатели Qwen3.8-27B — это оценки на другом наборе бенчмарков, выбранном Qwen. Модель с 60,51 в одном наборе и модель с 84,3 в совершенно другой задаче ничего не говорят об их относительном порядке, и любая статья, которая ставит эти числа в одну колонку, фабрикует рейтинг, который никто не измерял.

То, что можно сказать, носит более узкий характер и всё ещё полезно. ZwZ2-27B — это точечное вмешательство в модель, которую Qwen с тех пор заменила, а задокументированный размер этого вмешательства — пять пунктов по среднему в перцептивных задачах — того же порядка величины, что и несколько собственных дельт Qwen в 3,6–3,8 на задачах зрения, и гораздо меньше её дельт на агентных задачах. Вопрос о том, преодолевает ли эта специализация разрыв между поколениями в восприятии на уровне регионов, — это именно то, для чего потребовался бы общий стенд. Никто его не создал.

Справочные столбцы карточки намекают на то, почему ответ может существовать. ZwZ2-27B набирает 60,51, тогда как inclusionAI измерила GLM-5.3-Flash на уровне 57,24, а DeepSeek-V4.1-Flash — 55,47: это hosted-модели, которые он превзошёл в наборе тестов, построенном вокруг сравнения регионов, при этом в карточке отмечается, что разрешение изображений у продвинутых моделей было ограничено их платформами обслуживания. Это результат столько же о наборе тестов, сколько и о моделях. Это не свидетельство о Qwen3.8-27B, которой вообще не было в числе участников.

Для большинства команд лицензия решает это ещё до того, как это делают бенчмарки.

Qwen3.8-27B распространяется под Apache-2.0 — это указано в шапке карточки модели; счётчик загрузок исчисляется миллионами, а вокруг неё сложилась экосистема адаптеров, дообученных моделей и квантованных версий. ZwZ2-27B вообще не заявляет лицензию. В её карточке говорится: «лицензия, прилагаемая к выпущенным весам, и применимая лицензия базовой модели», — что образует замкнутый круг, когда на самих весах никакой лицензии нет.

Для исследовательской команды это сноска. Для компании, использующей модель в основе продукта, это решающая граница, и разрыв огромен. То, что основа распространяется по Apache-2.0, не даёт автоматически лицензию на производную, собственные условия которой не указаны, — это вопрос к юристам, и пока inclusionAI не ответит на него, безопасная трактовка состоит в том, что ZwZ2-27B не допущена к коммерческому развёртыванию. Отсутствие статьи усугубляет это: карточка всё ещё содержит буквальный заполнитель PAPER_URL, поэтому описание метода — это README и схема набора данных, и ничего больше.

Что вы можете назвать сегодня

Qwen3.8-27B прямо сейчас доступна для маршрутизации на OrcaRouter, по одному ключу вместе с остальными моделями каталога и по цене из прайс-листа провайдера без наценки — поэтому если Qwen изменит цены, изменения вступят в силу здесь в тот же день, а не после цикла пересмотра цен. Модель указана по цене $0,33 за миллион входных токенов и $2,40 за миллион выходных токенов, при объёме контекста 262 144 токена. Это важно для такого сравнения, где обычно побеждает более дешёвый экспериментатор: вы можете уже сегодня днём протестировать Qwen3.8-27B на собственной рабочей нагрузке без загрузки и без GPU.

ZwZ2-27B отсутствует в нашем каталоге, и было бы нечестно формулировать это мягче. Это артефакт объёмом 54 ГБ для самостоятельного хостинга, без лицензии и без рецепта обслуживания, и единственный способ оценить его — запустить. Если позже он займёт место в вашем стеке, точкой встречи этих двух станет слой маршрутизации — один эндпоинт, автоматическое переключение при сбое и политика, которая направляет трафик сравнения регионов специализированной модели, а всё остальное — универсальной, вместо переписывания.

Какой именно, по нагрузке?

Qwen3.8-27B — это обоснованный выбор по умолчанию практически для всего. Агентное программирование, долгосрочное использование инструментов, управление компьютером и браузером, общие рассуждения, видео — именно там его опубликованные улучшения наиболее велики, и это единственная из двух, которую вы можете легально поставлять и практически развернуть уже сегодня.

У ZwZ2-27B более узкий случай: вы уже запускаете конвейер класса Qwen3.6-27B, ваше узкое место — измеряемая детализация в документах, диаграммах или скриншотах интерфейса, а идея добавлять вызовы инструментов масштабирования и обрезки в цикл инференса кажется непривлекательной. Именно эту проблему inclusionAI заявляет как решаемую — научиться сравнивать размеченные области во время обучения, чтобы инференсу не требовались инструменты. Если базовая модель является контрольным условием в вашем собственном стенде, локальный тест ZwZ2-27B против неё — дешёвый и корректно поставленный эксперимент.

Что не поддаётся защите — это трактовка показателя 60,51 от поставщика как общей оценки возможностей или его сравнение с любым значением Qwen3.8 так, будто оба находятся на одной шкале. Это не так, а модель, которая могла бы это разрешить — общий испытательный стенд, запущенный незаинтересованной стороной, — не была анонсирована точно так же, как и сам ZwZ2-27B.

Три вопроса, которые действительно поднимает это сравнение

ZwZ2-27B — это просто Qwen3.6-27B с дополнительным обучением?Архитектурно — да, вплоть до расписания слоёв и визуальной башни, с удалённой головой предсказания нескольких токенов. По поведению всё зависит от рецепта постобучения, который inclusionAI описал только на уровне README: группы регионов от трёх до семи, вопросы, сгенерированные из привилегированных кропов, отфильтрованные по согласованности между моделями и тестам с исключением одного региона, затем GRPO примерно на 20 000 примерах без этапа обучения с учителем. Это описание метода, а не воспроизведение.

Сохранятся ли преимущества ZwZ2-27B при сравнении с Qwen3.8-27B в задачах восприятия?Неизвестно, и по имеющимся данным это невозможно установить. Раздел Qwen3.8-27B о зрении смещён в сторону работы с компьютером, работы с браузером и мультимодальной разработки программного обеспечения, а не сравнения на уровне областей, поэтому даже собственная таблица Qwen не отвечает на вопрос, который поднимает утверждение ZwZ2.

Меняет ли сравнение стандартное значение режима размышления? Да, и в большей степени, чем предполагает разрыв в бенчмарке. ZwZ2-27B оценивается и документируется как одношаговая модель без режима размышления; Qwen3.8-27B построена вокруг регулируемых усилий на рассуждение. Для чувствительных к задержке вызовов восприятия это в пользу архитектуры ZwZ2-27B, а для всего, что требует обдумывания, — в пользу Qwen3.8-27B, но обе модели измерялись при разных настройках генерации, поэтому цифры бенчмарка несут в себе и эту разницу.