ZwZ2-27B vs Qwen3.8-27B: Samma skelett, två väldigt olika satsningar

Det märkliga med ZwZ2-27B kontra Qwen3.8-27B är att de två modellerna är samma maskin. Öppna båda konfigurationsfilerna och siffrorna stämmer rad för rad: 64 lager, 5,120 i hidden size, 24 query-huvuden mot 4 KV-huvuden vid dimension 256, en feed-forward-bredd på 17,408, ett ordförråd på 248,320 tokens, 262,144 positioner och ett 27-lagers visionstorn med hidden size 1,152. De deklarerar till och med samma arkitekturklass. Det som skiljer dem åt är inte bredd eller djup. Det är vad varje labb gjorde med den kroppen efteråt – och än så länge har ingen kört dem mot varandra för att ta reda på vilket val som vann.

Frånvaron är det första som bör sägas rakt ut. inclusionAI:s publicerade utvärdering av ZwZ2-27B jämför den med GPT-5.6-Luna, GLM-5.3-Flash och DeepSeek-V4.1-Flash. Den omfattar inte Qwen3.8-27B och inte heller någon Qwen-modell som är nyare än den som ZwZ2 byggdes på. Qwen har i sin tur aldrig nämnt ZwZ2 överhuvudtaget. Varje siffra nedan är ett labb som mäter sig självt, eller Qwen som mäter sig självt, och ingen tredje part har satt de två i samma testuppställning.

Samma skelett, rad för rad

Det är värt att vara precis om hur nära de ligger varandra, eftersom den vanliga formuleringen ”27B mot 27B” underskattar det. Det här är inte två modeller som råkar hamna på liknande skala; de är två efterträningskörningar över en utbytbar arkitektur.

• Parametrar – 27B för båda, dense, ingen mixture-of-experts-routing i någon av konfigurationerna.

• Djup och bredd – 64 lager, 5 120 dold storlek, 17 408 mellanliggande storlek, samma i båda filerna.

• Attention — 24 query-huvuden, 4 KV-huvuden, huvuddimension 256, partiell rotary-faktor 0,25, rotary-bas 10 000 000.

• Lagerschema — ett 3:1-mönster för linjär till full uppmärksamhet, 16 repetitioner, i båda.

• Vokabulär och kontext — 248 320 tokens och 262 144 inbyggda positioner, i båda.

• Vision tower – 27 lager, 1 152 i dold storlek, projicerar till 5 120, i båda.

Den praktiska konsekvensen är att hårdvarufrågan är samma fråga för båda. Ungefär 54 GB vikter i bf16, ett 80 GB-kort med god marginal eller två 40 GB-kort med knapp marginal. Ingen av dem är en modell man kör på en bärbar dator, och ingen av dem har en kvantiserad utgåva i sitt eget repo — Qwens ekosystem producerar sådana, och ZwZ2 har nästan inget ekosystem alls.

Den enda raden som skiljer sig, och två standardvärden som betyder mer

Strukturellt sett finns det exakt en avvikelse: Qwen3.8-27B sätter mtp_num_hidden_layers till 1 och behåller ett huvud för flertoksförutsägelse som Qwen säger tränades med flera steg. ZwZ2-27B sätter det till 0. inclusionAI-modellen har fått sitt huvud för spekulativ avkodning bortopererat, vilket är vad man gör när träningspipelinen inte använder det och man hellre vill leverera en mindre, enklare artefakt. Det är en skillnad som handlar om städning, inte ett designuttalande.

Standardvärdena är där de två modellerna faktiskt går skilda vägar, och de kommer att forma din integration mer än något konfigurationsvärde.

Tänkande. Qwen3.8-27B tänker innan den svarar som standard, erbjuder tre ansträngningsnivåer med xhigh som standard och kan behålla resonemangskontext från tidigare turer via preserve_thinking. ZwZ2-27B dokumenteras i icke-tänkande läge: dess snabbstart skickar enable_thinking=False, dess chattmall ber modellen att placera de slutliga svaren inom <answer>-taggar, och hela utvärderingen med 25 benchmarks kördes på det sättet. Om din pipeline förväntar sig ett svar i ett enda pass är ZwZ2-27B utformad för dig direkt ur lådan. Om du vill att modellen ska överlägga genom en uppgift på femtio steg har Qwen3.8-27B maskineriet för det, och ZwZ2-27B:s kort gör inga sådana anspråk.

Modalitet. Qwen3.8-27B dokumenteras för bild- och videoförståelse, där videoprovtagning styrs via serveringslagret. ZwZ2-27B:s konfiguration innehåller en video_token_id, men dess kort och utvärdering handlar helt och hållet om stillbilder och regionjämförelse. Betrakta video som obevisat på inclusionAI-sidan.

Vad vardera sidan faktiskt kan bevisa

Båda leverantörerna publicerade utvärderingar. De är inte jämförbara, och orsaken är inte marknadsföring – det är att de två sviterna mäter olika saker.

ZwZ2-27B:s påstående bygger på 25 benchmarks inom sex perceptuella domäner, poängsatta av inclusionAI, vilket flyttar dess egen bas från 55.52 till 60.51. De starkaste absoluta siffrorna finns inom finkornig perception (domänmedelvärde 67.57) och långkontextförståelse (68.77), och de svagaste är Chartography på 12.00 och AgentVista på 18.18.

Qwen3.8-27B:s publicerade tabell är en text- och agentsvit med ett visionsavsnitt, och Qwen körde den mot sin egen föregångare. Några av gapen mellan Qwen3.8-27B och Qwen3.6-27B är enorma:

Agentisk terminalkodning – Terminal Bench 2.1 på 73,0, mot 63,4 för Qwen3.6-27B.

• Programvaruteknik — QwenSWEBench på 79,0 mot 49,3, och DeepSWE 1.1 på 42,2 mot 13,3.

• Datoranvändning – OSWorld-Verified på 84,3 mot 63,9; WebArena-Verified på 64,8 mot 48,8.

• Mobilanvändning — AndroidWorld på 81,9 mot 70,3.

• Multimodal mjukvaruutveckling — SWE-MM på 38,6; RecreationBench på 47,1 mot 29,8.

• Vetenskapligt resonemang — GPQA Diamond på 89,2 mot 87,8, och HLE på 30,8 mot 24,0.

Det är Qwens egna siffror i Qwens egen harness, och de säger något enkelt: 3.8-generationen är inte ett litet steg jämfört med 3.6. Inom agentiskt mjukvaruarbete mäts förbättringen i tiotal poäng, inte i ensiffriga tal.

Varför +4,99 jämfört med 3,6 inte är ett tal kring 3,8

Det här är fällan i jämförelsen, och det är lätt att gå i den. ZwZ2-27B:s framhävda vinst är +4,99 jämfört med Qwen3.6-27B. Qwen3.8-27B är en mycket starkare modell än Qwen3.6-27B i Qwens testsvit. Den frestande slutsatsen – att ZwZ2:s vinster stänger gapet – följer inte, och det finns en mekanisk anledning till att det inte kan kontrolleras.

Man kan inte subtrahera mellan olika körningar. ZwZ2-27B:s 60,51 är ett genomsnitt av träffsäkerheter över 25 perceptuella benchmarkar som valts av inclusionAI; Qwen3.8-27B:s siffror är poäng på en annan uppsättning benchmarkar som valts av Qwen. Att en modell får 60,51 på en svit och en modell får 84,3 på en helt annan uppgift säger dig ingenting om deras relativa ordning, och varje artikel som sätter dessa siffror i en och samma kolumn konstruerar en rangordning som ingen har mätt.

Det som kan sägas är snävare, men fortfarande användbart. ZwZ2-27B är en riktad intervention på en modell som Qwen sedan dess har ersatt, och interventionens dokumenterade storlek – fem punkter på ett perceptuellt medelvärde – ligger i samma storleksordning som flera av Qwens egna deltan på 3,6–3,8 på visionsuppgifter, och långt mindre än dess deltan på agentiska uppgifter. Huruvida specialiseringen överbryggar generationsgapet inom perception på regionnivå är precis det som skulle kräva en gemensam testrigg. Ingen har byggt någon.

Kortets referenskolumner antyder varför ett svar kan finnas. ZwZ2-27B får 60,51 där inclusionAI uppmätte GLM-5.3-Flash till 57,24 och DeepSeek-V4.1-Flash till 55,47 – värdbaserade modeller som den slog i en testsvit byggd kring regionsjämförelse, och kortet noterar att avancerade modellers bildupplösning begränsades av deras driftplattformar. Det är ett resultat som säger lika mycket om testsviten som om modellerna. Det utgör inte bevis för Qwen3.8-27B, som aldrig var med i rummet.

Licensen avgör det för de flesta team innan benchmarkarna gör det

Qwen3.8-27B är Apache-2.0, deklarerat i modellkortets inledande metadata, med ett nedladdningsantal i miljontals och ett ekosystem av adaptrar, finjusteringar och kvantiseringar kring sig. ZwZ2-27B anger ingen licens alls. Dess kort hänvisar till ”licensen som medföljer de släppta vikterna och den tillämpliga basmodellslicensen”, vilket är cirkulärt när vikterna inte har någon.

För ett forskningsteam är det en fotnot. För ett företag som sätter en modell bakom en produkt är det den avgörande gränsen, och det är inte ens nära. Att basmodellen är Apache-2.0 licensierar inte automatiskt en derivatprodukt vars egna villkor inte anges – det är en fråga för juristerna, och tills inclusionAI besvarar den är den säkra tolkningen att ZwZ2-27B inte är godkänd för kommersiell drift. Avsaknaden av en artikel förvärrar det: modellkortet innehåller fortfarande den bokstavliga platshållaren PAPER_URL, så metodbeskrivningen är ett README och ett datasetschema, inget mer.

Vad du kan ringa idag

Qwen3.8-27B är routbar på OrcaRouter redan nu, under en och samma nyckel som resten av katalogen och till leverantörens listpris utan påslag — så om Qwen ändrar sin prissättning slår ändringen igenom här samma dag i stället för efter en omprissättningscykel. Det listas till 0,33 USD per miljon indatatoken och 2,40 USD per miljon utdatatoken, med 262 144 token i kontextfönstret. Det spelar roll för en jämförelse som den här, där den billigare experimenteraren oftast vinner: du kan benchmarka Qwen3.8-27B mot din egen arbetsbelastning i eftermiddag utan nedladdning eller GPU.

ZwZ2-27B finns inte i vår katalog, och det vore oärligt att formulera det mjukare. Det är en självhostad artefakt på 54 GB utan licens och utan serveringsrecept, och det enda sättet att utvärdera den är att köra den. Om den senare förtjänar en plats i din stack är routinglagret där de två skulle mötas – en slutpunkt, automatisk redundansväxling och en policy som skickar regionjämförelsetrafiken till den specialiserade modellen och allt annat till generalisten, i stället för en omskrivning.

Vilken, efter arbetsbelastning

Qwen3.8-27B är det försvarbara standardvalet för nästan allt. Agentisk kodning, verktygsanvändning över långa tidshorisonter, styrning av dator och webbläsare, allmänt resonemang, video – det är där dess publicerade vinster är störst, och det är den enda av de två som du lagligt kan leverera och praktiskt kan driftsätta i dag.

ZwZ2-27B har ett snävare användningsfall: du kör redan en pipeline i Qwen3.6-27B-klass, din flaskhals är uppmätt detaljrikedom i dokument, diagram eller gränssnittsskärmbilder, och tanken på att lägga till zoom-och-beskär-verktygsanrop i din inferensloop tilltalar dig inte. Det är precis problemet som inclusionAI hävdar sig lösa – lär in jämförelsen över markerade områden vid träningstid så att inferensen inte behöver några verktyg. Om basmodellen är kontrollvillkoret i din egen testrigg är ett lokalt test av ZwZ2-27B mot den ett billigt och välformulerat experiment.

Det som inte är försvarbart är att behandla leverantörens 60,51 som ett allmänt kapacitetspoäng, eller att jämföra det med någon Qwen3.8-siffra som om de två låg på en och samma skala. Det gör de inte, och den modell som skulle avgöra det – en gemensam testrigg, körd av någon utan egenintresse – har inte tillkännagivits mer än vad ZwZ2-27B själv har.

Tre frågor som den här jämförelsen verkligen väcker

Är ZwZ2-27B helt enkelt Qwen3.6-27B med extra träning?Arkitektoniskt sett ja, ända ned till lagerordningen och visiontornet, med huvudet för prediktion av flera tokens borttaget. Beteendemässigt beror det på ett efterträningsrecept som inclusionAI endast har beskrivit på README-nivå: regiongrupper om tre till sju, frågor genererade från privilegierade beskärningar, filtrerade genom överensstämmelse mellan modeller och drop-one-region-tester, därefter GRPO på cirka 20 000 exempel utan ett övervakat finjusteringssteg. Det är en beskrivning av en metod, inte en reproduktion.

Skulle ZwZ2-27B:s vinster hålla när den möter Qwen3.8-27B i perceptionsuppgifter? Okänt, och omöjligt att avgöra utifrån det nuvarande underlaget. Qwen3.8-27B:s visionavsnitt är viktat mot datoranvändning, webbläsaranvändning och multimodalt mjukvaruarbete, inte mot jämförelser på regionnivå, så inte ens Qwens egen tabell besvarar den fråga som ZwZ2-påståendet väcker.

Förändrar tänklägets standardinställning jämförelsen? Ja, mer än vad skillnaden i benchmarkresultaten antyder. ZwZ2-27B utvärderas och dokumenteras som en enkelpassig modell utan tänkläge; Qwen3.8-27B är byggd kring justerbar resonemangsinsats. För latenskänsliga perceptionsanrop gynnar det ZwZ2-27B:s design, och för allt som kräver övervägande gynnar det Qwen3.8-27B:s — men de två mättes under olika genereringsinställningar, så benchmarktalen bär också på den skillnaden.