ZwZ2-27B: Vikterna landade den 16 oktober, förklaringen kom tio dagar senare

ZwZ2-27B har kunnat laddas ned från Hugging Face sedan den 16 oktober 2026. Under de första tio dagarna av dess offentliga liv fanns det inget tillkännagivande, ingen artikel, ingen README och ingen angiven licens – bara två bf16-safetensors-shards under inclusionAI, och ett repository som inte angav någon anledning till att det existerade. Den 26 oktober dök ett modellkort upp. Det står att modellen är ett förstärkningsinlärningstränat vision-språksystem byggt på Qwen3.6-27B, och den publicerar en utvärdering med 25 benchmarks där modellen överträffar basmodellen med 4,99 poäng totalt.

Det är allt som är nytt, och det är värt att skilja från vad folk kommer att anta hände. Det här är ingen lansering. Vikterna är elva dagar gamla och leverantören har fortfarande inte tillkännagivit dem. Det som har förändrats den här veckan är att vi äntligen kan läsa vad inclusionAI anser att modellen är till för.

Vad som faktiskt ändrades, per datum

Repots egen commit-historik är det tydligaste beviset som finns, och den smickrar inte berättelsen. Tre commits bär allt:

• 16 oktober, 05:42 UTC – första commit, sedan ”Lägg till modellvikter för ZwZ2-27B” tio minuter senare. Konfig, tokenizer, processor och de två vikt-shardarna. Ingen README.

• 26 oktober, 02:58 UTC — ”Create README.md”. Den första skriftliga beskrivningen av modellen, tio dagar efter vikterna.

• 26–27 oktober — upprepade README-ändringar och uppladdningar av sex filer medan benchmark-siffrorna och bildmaterialet sammanställdes.

När detta skrivs visar repot sju nedladdningar och noll gilla-markeringar. Det medföljande GitHub-projektet, inclusionAI/Zooming-without-Zooming-v2, skapades den 14 oktober och har en stjärna. Sökningar på modellnamnet på engelska ger rapportering om den äldre familjen ZwZ-2B/4B/8B och om ZwZ2-9B från den 16 oktober, men ingenting alls om 27B. Om en lansering skedde här, skedde den utan publik.

Modellen i konfigurationsfilen

Konfigurationsfiler är den minst glamorösa och mest pålitliga delen av varje release. Den här beskriver en tät vision-språkmodell vars arkitekturdeklaration är Qwen3_5ForConditionalGeneration — samma klass som Qwens egna modeller använder — med följande siffror:

• Texttorn — 5,120 dold storlek, 64 lager, 24 query-huvuden och 4 KV-huvuden vid huvuddimension 256, feed-forward-bredd 17,408.

• Attention-layout – ett 3:1-förhållande mellan linjära attentionlager och fulla attentionlager, som upprepas 16 gånger, med sammanflätade M-RoPE och en rotationsbas på 10 000 000.

• Ordförråd och kontext — 248 320 tokens, 262 144 inbyggda positioner.

• Visionstorn — 27 lager med dold storlek 1 152, projicerar till 5 120, patchstorlek 16 med 2×2 rumslig sammanslagning.

• Förutsägelse av flera tokens — mtp_num_hidden_layers satt till 0, dvs. MTP-huvudet har tagits bort i förhållande till Qwen-backbonen.

Den sista raden är den enda strukturella skillnaden från basen. Allt annat – antal lager, huvudgeometri, ordförråd, kontexttak, visionsdjup – matchar Qwen3.6-27B exakt. ZwZ2-27B är samma kropp med en annan efterträningsregim och ett spekulativt avkodningshuvud borttaget.

Det innebär också att modellen inte är liten. Med 27B parametrar i bf16 är vikterna ungefär 54 GB fördelade över två shards, vilket ger en bekväm belastning på en enda 80 GB-accelerator eller en tight sådan över två 40 GB-kort. Det finns ingen kvantiserad variant i arkivet, inget recept för vLLM eller SGLang och inga serveringsanteckningar utöver en snabbstart för Hugging Face transformers som är låst till version 5.13.1.

Påståendet om +4,99, och exakt vad det täcker

Kortets rubrik är att modellen över 25 benchmarkar inom sex domäner ”förbättras jämfört med sin basmodell på varje benchmark” och flyttar det övergripande medelvärdet från 55,52 till 60,51. Båda halvorna av den meningen stämmer med den publicerade resultatfiguren, och båda behöver ett förbehåll.

Förbehållet är att detta är inclusionAI:s eget ramverk, dess eget urval av benchmarks och dess egen poängsättning, publicerat i dess eget repository. Inget här har reproducerats utanför organisationen. Det är en leverantörsutvärdering i vanlig bemärkelse: användbar för att se vad teamet optimerade för, inte användbar som ett oberoende betyg.

Det andra förbehållet är skalan. En ökning med 4,99 punkter på ett medelvärde över 25 benchmarkar är en verklig förändring, men medelvärdet är ett genomsnitt av träffsäkerheter över mycket olika uppgifter, med lika vikt per domän. Det är inte ett förmågeindex och bör aldrig jämföras med en poäng från en annan svit.

Här är uppdelningen per domän, bas jämfört med finjusterad:

• Finmaskig perception — 62,09 till 67,57, en ökning med 5,48 över åtta benchmarks, inklusive VStar, HR-8K och MME-RealWorld.

• Rumslig perception – 49,72 till 55,98, en ökning med 6,26 över sex benchmarktester.

• Förståelse för långa kontexter – 65,87 till 68,77, en ökning med 2,90 över tre benchmarkar.

• Förkroppsligat rumsligt resonemang – 50,17 till 55,71, en ökning med 5,54 över tre benchmarktester.

• Multimodala agenter — 49,73 till 51,81, en ökning med 2,08 över tre benchmarks.

• Allmän visuell resonemangsförmåga — 47,89 till 53,71, en ökning med 5,82 över MMStar och BabyVision.

Var vinsterna är koncentrerade – och där modellen fortfarande är svag

Formen på den tabellen spelar större roll än dess genomsnitt. De största relativa vinsterna återfinns inom rumslig perception och förkroppsligat resonemang, vilket stämmer överens med vad metoden hävdar att den lär ut: att jämföra, matcha och aggregera bevis över flera markerade regioner i en och samma bild, med hjälp av fullständiga bilder vid inferenstid och utan externa zoomanrop.

De två minsta vinsterna är långkontextagenter och multimodala agenter. Det är också de två domänerna där basmodellen redan var starkast i förhållande till uppgiften, vilket är det vanliga mönstret för RL-finjustering på ett snävt datarecept: den flyttar det som belöningssignalen kan se.

De absoluta talen är den mer nedslående läsningen. Chartography ligger på 12.00. AgentVista ligger på 18.18. Perception-Bench på 44.93. En modell kan öka fem poäng totalt och ändå vara nära oanvändbar på flera enskilda benchmarks i uppsättningen, och den här är det. Den som citerar ”60.51 totalt” som en allmän kompetenssiffra citerar ett genomsnitt som döljer en 12.

Träningsreceptet förklarar taket. EvidenceConnect bygger sin data från SA-1B-bilder genom att gruppera tre till sju relaterade regioner, generera frågor med privilegierade inzoomade beskärningar, filtrera genom överensstämmelse mellan modeller och tester där en region tas bort, konvertera till uppgifter med fyra alternativ och träna med GRPO – alla tre modellstorlekar på ungefär 20 000 exempel, utan ett övervakat finjusteringssteg. Det är en fokuserad diet. Den ger pålitligt perception på regionnivå och låtsas inte ge öppna resonemang.

Referensmodellskolumnerna förtjänar en varning

Resultatfiguren innehåller också tre API-modeller som referenspunkter: GPT-5.6-Luna på 54,02, GLM-5.3-Flash på 57,24 och DeepSeek-V4.1-Flash på 55,47, mot ZwZ2-27B:s 60,51. Vid första anblicken placerar det en i tysthet uppladdad checkpoint med öppna vikter över tre hostade produktionsmodeller.

Tre saker bör dämpa den tolkningen. För det första noteras serveringsbegränsningen i själva kortet: avancerade modellers bildupplösning begränsades av deras serveringsplattformar, vilket är en verklig nackdel på en benchmarkuppsättning som innehåller mycket fina detaljer. För det andra är dessa inte de leverantörernas egna publicerade utvärderingar – de är inclusionAI som kör andra företags modeller genom inclusionAIs testramverk, utan någon indikation på att leverantörerna var inblandade eller har bekräftat siffrorna. För det tredje är GPT-kolumnen uttryckligen markerad som inte rapporterad för vissa rader, så referensuppsättningen är ojämnt ifylld.

Inget av det gör siffrorna felaktiga. Det innebär att de är ett labs mätningar av sina konkurrenter på en benchmarksvit där dess egen modell hade tio dagars extra finjustering. Betrakta jämförelsen av basmodellerna som den meningsfulla och API-kolumnerna som kontext.

Vad saknas fortfarande

Den ärliga inventeringen av det okända är längre än listan över det kända, och den börjar med licensen. Modellkortets front matter-taggar anger basmodellen, datasetet och pipeline-uppgiften; det deklarerar ingen licens. Brödtexten säger att man ska ”hänvisa till licensen som medföljer de släppta vikterna och den tillämpliga backbone-licensen”, vilket är cirkulärt när vikterna själva inte har någon. Qwen3.6-27B är Apache-2.0, så backbone-sidan är klar. Villkoren för derivatet är inte tydliga, och för ett företag som vill leverera detta i en produkt är det enda utelämnandet mer avgörande än någon benchmarkrad.

Artikeln är inte heller publicerad. Kortets eget sidhuvud innehåller den ordagranna platshållartexten <!-- Replace PAPER_URL with the final v2 paper URL. --> och länkar till PAPER_URL. Projektarkivet finns; den skriftliga redogörelsen som det borde hänvisa till finns inte.

Utöver det:

• Det finns ingen oberoende utvärdering av ZwZ2-27B från någon.

• Inget meddelande från leverantören, blogginlägg eller inlägg på sociala medier har hittats för den här modellen.

• Den publicerade utvärderingen avser låg-/tänkandeläget – kortets snabbstart körs med enable_thinking=False och chattmallen begär att svaren ska ligga inom taggarna <answer>. Siffror för tänkandeläget ingår inte i påståendet.

• Inget ramverksstöd utöver den låsta versionen av Transformers. Ingen GGUF, ingen AWQ, ingen publicerad vLLM-konfiguration.

• Kortet listar kända felmoder – hallucinerad detalj, feltolkad text, räkne- och spatiala fel – vilket är mer uppriktighet än de flesta leverantörskort erbjuder och en rättvis sammanfattning av hur ett 12,00 på Chartography ser ut i praktiken.

Hur man utvärderar det utan att satsa något på det

ZwZ2-27B finns inte i vår katalog, och den här texten ska inte läsas som att den antyder att så är fallet. För att köra det i dag laddar du ner 54 GB vikter, installerar en specifik Transformers-version och serverar det själv – vilket är en rimlig eftermiddag om du redan har hårdvaran, men ett dåligt sätt att använda en sådan eftermiddag om du försöker besvara en produktfråga den här veckan.

Ett billigare tillvägagångssätt är att testa påståendet i stället för modellen. Påståendet är snävt: att RL på ett regionjämförelsedataset med 20 000 exempel gör en Qwen3.6-27B-checkpoint bättre på att läsa fina detaljer utan zoomverktyg. Om det är din faktiska flaskhals – informationstäta dokument, diagram, UI-skärmbilder, frågor som gäller flera regioner – är basmodellen kontrollvillkoret, och dess efterträdare är redan dirigerbar här: Qwen3.8-27B och Qwen3.5-27B finns båda på OrcaRouter bakom en och samma nyckel, tillsammans med över 200 andra modeller till leverantörens listpris utan påslag. Om en självhostad ZwZ2-27B visar sig vara värd att införa, kan du lägga den på samma nyckel och låta automatisk failover avgöra mellan den och en hostad generalist i stället för att skriva om integrationen.

Det som skulle flytta detta från ”intressant uppladdning” till ”adopterbar modell” är en kort lista. En namngiven licens. En artikel som låter någon granska hur benchmarken är konstruerad. En oberoende körning — även en partiell sådan — på benchmarks som leverantören inte valde. Och ett tillkännagivande, som efter elva dagars tystnad börjar se ut som en avsiktlig frånvaro snarare än ett förbiseende.

Fram till dess är det försvarbara påståendet snävt och värt att säga rakt ut: en odokumenterad 27B-checkpoint från inclusionAI har legat på Hugging Face sedan den 16 oktober, och från och med den 26 oktober är dess författare beredda att hävda en förbättring med fem punkter jämfört med Qwen3.6-27B på en benchmarksvit som de själva har byggt. Det är en hypotes med tillhörande vikter. Det är ännu inte ett resultat.