ZwZ2-4B vs Qwen3.8-27B: En 4,5B-specialist möter Qwens 28B-flaggskepp

Anta att din bildpipeline kör 200 000 frågor om dagen och att du har ett enda 16 GB-kort. Den enda begränsningen utesluter Qwen3.8-27B innan någon benchmark ens diskuteras: med 28 miljarder parametrar är BF16-vikterna i sig ungefär 56 GB, och ingen mängd smart serving får in dem på 16 GB utan kvantisering som du inte har budgeterat för. ZwZ2-4B, med 4,54 miljarder parametrar och en viktfil på 9,08 GB, får plats. Så den ärliga frågan är inte vilken modell som är bättre. Det är om den mindre checkpointens snävare förmåga är en verklig begränsning för din arbetsbelastning, eller om du var på väg att betala för en flaggskeppsmodell för att svara på frågor om utsnitt av produktbilder.

Det finns en egenhet som gör den här matchen märkligare än rubriken antyder. Qwens 3.8-generation släppte aldrig någon modell i den här storleksklassen. Dess medlemmar är den dense 27B-modellen från 5 augusti 2026, en mixture-of-experts-modell med 2,4 biljoner parametrar från 8 augusti och Flash-Next den 24 augusti – som trots namnet är en modell med 180 miljarder parametrar i en annan arkitekturfamilj. Ingen dense-modell under 27B. Så ZwZ2-4B:s verkliga motståndare i samma storlek är Qwen3.5-4B, den februaricheckpoint som den finjusterades från. Qwen3.8-27B ingår i den här jämförelsen som taket, inte som en jämbördig part.

Det finns ingen benchmark där dessa två kan mötas.

Börja med det som gör de flesta jämförelsesidor oärliga. Qwen3.8-27B har publicerade utvärderingar och ett ekosystem; ZwZ2-4B har 25 benchmarkresultat som bara finns i dess eget modellkort, framtagna av laboratoriet som tränade den, utan någon oberoende replikering någonstans. Man kan inte ställa ett leverantörsrapporterat 54.79 bredvid en benchmarksvit från ett annat labb och subtrahera dem. De två siffrorna togs inte fram på samma uppgifter, med samma upplösning, under samma testramverk.

Så den här texten poängsätter dem inte mot varandra. Den jämför vad var och en är byggd att göra, vad var och en kostar att köra och vad den mindre avstår från. Där en siffra förekommer är den märkt med vem som tog fram den.

Klyftan, dimension för dimension

• Parametrar – ZwZ2-4B 4 539 265 536 vs Qwen3.8-27B 28B på sitt kort

• Vikter på disk — cirka 9,08 GB BF16 jämfört med ungefär 56 GB BF16

• Djup — 32 lager jämfört med 64

• Bredd — dold storlek 2 560 vs 5 120

• Attention-form — 16 query-huvuden mot 4 KV-huvuden vid huvuddimension 256, i båda

• Uppmärksamhetsschema — ett 3:1-förhållande mellan linjär och full uppmärksamhet i båda

• Kontextfönster — 262 144 positioner i båda

• Vokabulär — 248 320 token i båda

• Vision-torn — 24 lager med dold dimension 1 024 jämfört med 27 lager med dold dimension 1 152

• Licens — ingen deklarerad för ZwZ2-4B kontra Apache-2.0 för Qwen3.8-27B

De fyra matchande raderna är de intressanta. Båda modellerna ärver samma arkitekturidentifierare, qwen3_5, med samma uppmärksamhetsgeometri och samma kontexttak. 3.8-generationen designade inte om stacken; den skalade den. Det är därför 4B:ns konfiguration ser ut som en miniatyr av 27B:ns snarare än ett främmande objekt, och det är också därför 4B:n ärver 27B:ns serveringsegenskaper – de linjära uppmärksamhetslagren är det som gör ett 262K-kontext överkomligt i den här storleken.

Det enda jämförbara talet i hela mötet

ZwZ2-4B:s kort anger basmodellen till 49.41 och sig själv till 54.79 över 25 benchmarkar, en ökning med 5.38 punkter. Det är en jämförelse mellan två checkpoints som tränats och mätts med samma procedur, på samma uppgifter, av samma labb. Det är fortfarande leverantörsrapporterat, och urvalet av benchmarkar är labbets, men åtminstone är de två sidorna av subtraktionen jämförbara.

Två saker följer. För det första är vinsten verklig bara i den meningen att labbet mätte den; ingen har reproducerat 54,79. För det andra, och mer användbart, är baslinjen en stark modell. Qwen3.5-4B får 7,4 miljoner nedladdningar i månaden och har 1 145 gilla-markeringar – det är en checkpoint som används brett och har ett verkligt ekosystem. Om ZwZ2-4B är 5,38 poäng bättre på perceptionsintensiva uppgifter är det en meningsfull skillnad jämfört med en modell som folk faktiskt kör. Om den är 5,38 poäng bättre på benchmarkar som valts ut för att belöna exakt det den tränades för, kommer produktionsskillnaden att vara mindre.

Metoden förklarar vilken tolkning som är mer sannolik. ZwZ2 tränades med GRPO på flervalsfrågor med fyra alternativ som byggdes från SA-1B-regionbeskärningar – ungefär 20 000 av dem – utan ett övervakat finjusteringssteg. Varje träningssignal som modellen någonsin såg var ett val mellan fyra alternativ om huruvida en region innehåller de bevis en fråga behöver. Det är i en arbetsbelastning av den formen som 5.38 bör hålla. Öppen beskrivning har inte den formen.

Vad en 28B-flaggskeppsmodell ger som en 4,5B inte kan

Qwen3.8-27B är en allmän vision-language-modell: bilder, video, flexibel styrning av tänkandet, en Apache-2.0-licens och tillräckligt med parameterutrymme för att ha absorberat en bred förträningsdiet i stället för en smal, högkvalitativ syntetisk läroplan. Dess nedladdningsantal – 7,5 miljoner förra månaden, med 18 500 gilla-markeringar – är den ekosystemsignal som spelar roll när man väljer en basmodell snarare än en specialist. Adaptrar, kvantiseringar, finjusteringar och verktyg finns för den och finns inte för en checkpoint med noll nedladdningar.

Bredden syns i fellägena. ZwZ2-4B:s kort listar hallucinationer, felaktigt läst text, räknefel och rumsliga fel, och noterar att resultaten beror på bildupplösning, kontextlängd och promptformat. En 28B-generalist har i princip samma felklasser, men med större kapacitet att hålla detaljer över en längre kontext och utan krav på att uppgiften ska likna ett fyrvägsval.

För dokumentextrahering, resonemang över flera sidor, video eller något där svaret är ett stycke snarare än ett område är 27B det bättre verktyget, och storleksskillnaden är inte den avgörande faktorn — träningsmålet är det.

Kostnadsaritmetiken, med verkliga priser

Här upphör jämförelsen att vara abstrakt. På OrcaRouter, qwen/qwen3.8-27b serveras för $0.33 per miljon indatatokens och $2.40 per miljon utdatatokens, med en kontext på 262K. Ta en representativ bildfråga med 1 500 indatatokens och 300 utdatatokens. Ett tusen av dessa kostar cirka $1.22 på 27B-modellen. Den lättare qwen/qwen3.8-flash, till $0.15 och $0.47, hamnar nära $0.37 för samma tusen. En värdbaserad 8B-visionmodell ligger mellan dem.

ZwZ2-4B har inget pris per token eftersom det inte har någon hostad endpoint – Hugging Face-sidan rapporterar att ingen leverantör tillhandahåller det. Dess kostnad är vad din GPU-timme kostar, delat med genomströmningen, och det är det enda alternativet i den här jämförelsen som körs på ett enda 16 GB-kort. Det är hela det ekonomiska argumentet för den mindre modellen, och det är ett starkt sådant om du redan betalar för hårdvaran.

En strukturell aspekt kring routning, eftersom det påverkar hur du testar det här. OrcaRouter för vidare leverantörers listpriser med 0 % påslag, så när Qwen ändrar priset på en hostad Qwen-modell ändras siffran ovan samma dag i stället för vid nästa avtalsförnyelse. Att göra en kostnadsjämförelse mellan en egenhostad checkpoint och en hostad modell är bara ärlig om den hostade sidan återspeglar dagens listpris, och det är den egenskapen som beskrivs här — inte en rabatt.

Där den lilla modellen vinner även mot en flaggskeppsmodell

Tre fall, och de är snävare än vad marknadsföringen för små modeller vanligtvis antyder.

Det första är driftsättningskontroll. En BF16-fil på 9,08 GB kan låsas, versionshanteras och skickas till en edge-box. Det går inte med en fil på 56 GB, och ett hostat API ger dig varken modellvikterna eller någon versionsgaranti. Om kravet för din produkt är "modellen följer med enheten" är 27B inte ett alternativ oavsett pris.

Den andra är kostnadsförutsägbarhet vid volym. Självhostad inferens har en platt kostnadskurva och ingen mätare per token. Vid 200 000 bildfrågor om dagen är 1,22 dollar per tusen ungefär 244 dollar om dagen – cirka 7 300 dollar i månaden – på 27B till listpris. Huruvida självhosting slår det beror helt och hållet på utnyttjandegraden, och ett enda underutnyttjat kort gör det ofta inte.

Det tredje är uppgiftsspecialisering. Om din arbetsbelastning verkligen är "vilken av dessa fyra regioner innehåller beviset", tränades ZwZ2-4B på exakt den formen med ett filtreringssteg utformat för att ta bort frågor som kan besvaras utan regionen. En generalist lägger kapacitet på allt annat. Detta är fallet där en 4,5B-checkpoint kan slå en 28B, och det är det enda fallet där leverantörens påstående om 5,38 poäng skulle betyda det en läsare hoppas att det betyder.

Hur man fattar beslut, i den ordning beslutet faktiskt sker

• Om vikterna måste finnas på hårdvara som du kontrollerar och hårdvaran är liten — välj ZwZ2-4B, acceptera licensoklarheten och budgetera för din egen utvärdering.

• Om uppgiften är regiongrundad flervalsfråga eller sökning efter visuella bevis – testa ZwZ2-4B mot Qwen3.5-4B på dina egna data innan du tittar på kortets 5.38. Det deltat, reproducerat, är det enda talet som spelar roll.

• Om du behöver video, långa dokument, öppna beskrivningar eller en licens som ditt juridiska team kommer att skriva under — välj Qwen3.8-27B och sluta läsa.

• Om du inte har någon hårdvara och ingen lust att driva tjänster — ta den hostade Qwen-vägen, för alternativet är ett driftprojekt, inte ett modellval.

Det obekväma med den här matchningen är att den intressanta jämförelsen inte är den i rubriken. ZwZ2-4B mot Qwen3.8-27B är ett beslut om distributionsklass förklätt till en modelljämförelse. Den egentliga direktjämförelsen – samma bas, samma storlek, samma serveringskostnad, en uppmätt skillnad på 5,38 punkter – är ZwZ2-4B mot Qwen3.5-4B, och det är experimentet som är värt att köra på dina egna bilder innan någon av dessa siffror får dig att ändra din arkitektur.