ZwZ2-27B vs ZwZ2-9B: Vad tre gånger så många parametrar faktiskt ger

På exakt ett benchmark i inclusionAI:s tabell med 25 test vinner den mindre modellen. Chartography – att läsa av värden från diagram – ger ZwZ2-9B en poäng på 13,00 och ZwZ2-27B en poäng på 12,00. Båda är låga. Ingen av dem är bra. Men riktningen är det intressanta, eftersom dessa två modeller är samma experiment i två storlekar: ett träningsrecept, en datamängd, en metod från artikeln, tillämpad på en Qwen3.5-9B-kropp respektive en Qwen3.6-27B-kropp. Om receptet är identiskt och den större modellen är värd tre gånger parametrarna, är aritmetiken kring var den storleken faktiskt gör sig synlig mer förvånande än vad de övergripande poängen som lyfts fram antyder.

Det är också värt att säga redan från början att båda modellerna dök upp på samma tysta sätt. ZwZ2-9B:s repository skapades kl. 03:42 UTC den 16 oktober 2026; ZwZ2-27B:s kl. 05:42 samma morgon. Båda innehöll vikter och ingen dokumentation i tio dagar, och båda fick modellkort med fullständiga benchmarktabeller den 26 oktober. Ingen av dem deklarerar en licens. Ingen av dem har en publicerad artikel – korten innehåller fortfarande platshållaren PAPER_URL.

Ett recept, två kroppar

Träningsmetoden är inte bara liknande mellan de två, utan det är samma metod tillämpad på två ryggradsnätverk, vilket gör dem ovanligt lätta att jämföra. EvidenceConnect grupperar tre till sju relaterade regioner från SA-1B-bilder, genererar frågor med hjälp av privilegierade zoomade beskärningar, filtrerar dessa frågor genom överensstämmelse mellan modeller och ett test där en region tas bort, omvandlar de som klarar sig till uppgifter med fyra svarsalternativ och tränar med GRPO – inget steg med övervakad finjustering. Båda modellerna använder ungefär 20 000 träningsexempel.

Kropparna skiljer sig på det vanliga sättet:

• Skala — 9B parametrar över 32 lager vid 4 096 dold storlek, jämfört med 27B över 64 lager vid 5 120 dold storlek.

• Attention — 16 query-huvuden och 4 KV-huvuden med dimension 256 för 9B, jämfört med 24 query-huvuden och 4 KV-huvuden med samma dimension för 27B.

• Feed-forward — 12 288 i mellanstorlek jämfört med 17 408.

• Vision — samma torn i båda: 27 lager med dold storlek 1 152, som projicerar till 4 096 respektive 5 120.

• Kontext och ordförråd — identiska vid 262 144 positioner och 248 320 tokens.

• Förutsägelse av flera token – borttaget från båda, med mtp_num_hidden_layers inställt på 0.

Basmodeller – Qwen3.5-9B för den lilla, Qwen3.6-27B för den stora. Det är detaljen som komplicerar jämförelsen, och nästa avsnitt handlar om varför.

Varifrån det totala gapet på 3,92 punkter faktiskt kommer

Här är fyndet som jag inte förväntade mig innan jag gjorde subtraktionen. De övergripande medelvärdena är 60,51 för ZwZ2-27B och 56,59 för ZwZ2-9B – en skillnad på 3,92 punkter. Titta nu på vad varje recept tillförde sin egen bas, vilket är publicerat i samma tabeller, av samma labb, på samma testramverk:

• ZwZ2-27B — basmodell Qwen3.6-27B på 55,52, finjusterad på 60,51. Förbättring med 4,99.

• ZwZ2-9B — bas-Qwen3.5-9B på 51,63, finjusterad på 56,59. Förbättring på 4,96.

Receptet ger nästan exakt samma förbättring i båda skalorna. Tre gånger så många parametrar gav 0,03 poäng extra träningsnytta. Och basmodellerna skilde sig redan 3,89 poäng åt innan någon av dem hade rörts.

Så av gapet på 3,92 punkter mellan de färdiga modellerna ärvdes 3,89 punkter från de checkpoints de utgick från. Specialiseringen skapade inte gapet. Den bevarade det nästan perfekt.

Detta är en jämförelse inom ett enda labb och med en enda testrigg, så subtraktionen är legitim på ett sätt som jämförelser mellan olika leverantörer aldrig är – vart och ett av dessa fyra tal kommer från samma tabell, framtagen av samma utvärderingskod, på samma benchmarkuppsättning. Avrundningen är så pass grov att 0,03 inte bör tolkas som precision; den ärliga tolkningen är ”inte urskiljbara”.

I praktiken innebär det att valet mellan dessa två modeller i stort sett är ett val mellan Qwen3.5-9B och Qwen3.6-27B, plus en fast perceptuell justering. Om du inte skulle ha valt den större basmodellen för din arbetsbelastning kommer ZwZ2-träningen inte att ändra det beslutet.

Domän för domän: storleken visas på ett ställe

Medelvärden döljer strukturen, och här är strukturen snedfördelad. När vi jämför de två finjusterade modellerna över de sex domänerna:

• Finmaskig perception – 67,57 för 27B jämfört med 66,02 för 9B. En skillnad på 1,55, den minsta av de sex.

• Rumsuppfattning – 55,98 mot 52,33. En skillnad på 3,65.

• Allmänt visuellt resonemang — 53,71 mot 49,83. En skillnad på 3,88.

• Förkroppsligat rumsligt resonemang — 55.71 mot 51.11. En skillnad på 4.60.

• Förståelse av lång kontext — 68,77 mot 64,08. En skillnad på 4,69.

• Multimodala agenter — 51,81 mot 42,43. En skillnad på 9,38.

Mönstret är konsekvent: den större modellens försprång ungefär fördubblas när uppgiften går från att titta på en bild till att agera på en. På de åtta detaljerade perceptionsbenchmarkarna – de som metoden uttryckligen konstruerades för – ligger de två modellerna inom en och en halv poäng från varandra, där Chartography går baklänges.

Det agentiska området är där 27B:n motiverar sitt minnesavtryck, och större delen av den skillnaden kommer från ett enda test. UI-Vision får 66,66 för ZwZ2-27B och 45,48 för ZwZ2-9B – en separation på 21,18 punkter, större än någon annan i tabellen. ScreenSpot-Pro och AgentVista bidrar med mindre delar, på 70,59 mot 66,98 och 18,18 mot 14,83.

UI-Vision är ett benchmark för gränssnittsgrundning, och resultatet säger något specifikt snarare än generellt: om din arbetsbelastning handlar om att läsa och använda ett mjukvarugränssnitt gör 27B något som 9B mestadels inte kan. Om din arbetsbelastning handlar om att jämföra markerade regioner på ett fotografi eller en dokumentsida gör 9B nästan samma sak för en tredjedel av vikterna.

Det enda testet som den lilla modellen vinner, och hur mycket det bör väga

Chartography är värt att uppehålla sig vid just därför att det är undantaget som bekräftar hur snäv specialiseringen är. Båda poängen är usla – 13,00 och 12,00 av 100, mot en Qwen3.6-27B-bas på 8,00 och en Qwen3.5-9B-bas på 7,00. Träningen lyfte båda modellerna med ungefär fem till sex poäng på en uppgift som de fortfarande inte klarar av pålitligt, och 9B-modellens lyft råkade landa en poäng högre.

Den korrekta slutsatsen är inte att 9B är bättre på diagram. Det är att skillnaden mellan de två modellerna på en uppgift som ligger så här långt utanför träningsdistributionen är brus, och att det rimliga beteendet är att skicka diagramläsning någon helt annanstans. En modell som får 12 eller 13 på ett diagrambenchmark har ingen diagramförmåga att välja mellan.

Samma försiktighet gäller för de andra låga absoluta poängen. ZwZ2-9B har i genomsnitt 42,43 på multimodala agenter och 18,18 på AgentVista; ZwZ2-27B har i genomsnitt 51,81 och 18,18. Båda är svaga på agentiskt arbete i absoluta termer, och det faktum att den större är mycket mindre svag gör den inte stark.

Hur minnesavtrycket egentligen ser ut

Parameterskillnaden är den del du betalar för varje dag. ZwZ2-9B är en enda safetensors-fil med 9,41 miljarder parametrar, ungefär 19 GB i bf16. ZwZ2-27B är uppdelad över två shards på cirka 54 GB. Lägg till vision-tower-aktiveringar och en KV-budget på 262 144 positioner, och den praktiska uppdelningen är:

• ZwZ2-9B — passar bekvämt på en enda 24 GB konsumentaccelerator i bf16, tajt men genomförbart; det finns ingen kvantiserad utgåva, så du får köra full precision om du inte kvantiserar själv.

• ZwZ2-27B – ett 80 GB-kort med marginal, eller två 40 GB-kort över en snäv tensor-parallell uppdelning. Inget under det kör det i bf16.

Serveringsstöd – inget av repona levererar ett vLLM- eller SGLang-recept. Båda låser transformers==5.13.1 i snabbstarten, och båda dokumenteras endast i icke-tänkande läge med svar inlindade i <answer>-taggar. Ingen av dem deklarerar en licens, vilket för en produktionsdriftsättning är ett större hinder än någon av minnessiffrorna.

Den sista punkten förtjänar en egen mening, eftersom det är likadant på båda sidor: det finns ingen licens att läsa. Korten hänvisar till ”licensen som medföljer de släppta vikterna”, och vikterna har ingen. Vilken storlek du än väljer är den kommersiella frågan obesvarad.

Använda båda, i stället för att välja

Domänstabellen antyder ett tvåskiktat mönster starkare än den antyder en vinnare. Finmaskig perception rör sig knappt mellan storlekarna, så 9B är ett rimligt första steg där; agentiskt gränssnittsarbete rör sig med mer än nio punkter på domängenomsnittet och tjugoen på UI-Vision, så den trafiken hör hemma på 27B. En router som dirigerar efter uppgiftstyp skulle lägga större delen av sina tokens på den billiga modellen och reservera den dyra för skärmar.

Ingen av ZwZ2-storlekarna finns i vår katalog, så det mönstret innebär i dag att köra två checkpoints på din egen hårdvara och skriva dirigeringen själv. Där OrcaRouter passar in är generalistsidan av samma stack: Qwen3.8-27B och Qwen3.5-27B är båda dirigerbara här bakom en enda nyckel till leverantörens listpris utan påslag, så arbetsbelastningen som inte behöver regionjämförelse kan gå till en hostad modell med automatisk failover medan den specialiserade trafiken stannar lokalt. Det är ett mindre påstående än ”dirigera ZwZ2 genom oss”, vilket vi inte kan erbjuda — men det är den del av arkitekturen som faktiskt är tillgänglig nu.

Den ärliga sammanfattningen är oglamorös. Två checkpoints, samma recept, samma tystnad, samma saknade licens och ett prestandagap som nästan helt och hållet är basmodellernas redan befintliga gap plus en verklig specialisering i toppen för gränssnittsarbete. Om du behöver 27B:s UI-siffror behöver du 27B och 80 GB-kortet. Om du inte gör det får 9B dig inom en och en halv poäng på den uppgift som hela projektet byggdes för att förbättra, och det får plats på hårdvara som du förmodligen redan äger.