ZwZ2-27B กับ Qwen3.8-27B: โครงสร้างเดียวกัน แต่เดิมพันต่างกันสุดขั้ว

สิ่งแปลกเกี่ยวกับ ZwZ2-27Bเมื่อเทียบกับQwen3.8-27B คือว่า สองโมเดลนี้เป็นเครื่องเดียวกัน เปิดไฟล์กำหนดค่าทั้งสองไฟล์แล้วตัวเลขจะตรงกันทุกบรรทัด: 64 เลเยอร์, ขนาด hidden 5,120, 24 query head เทียบกับ 4 KV head ที่มิติ 256, ความกว้าง feed-forward 17,408, คลังคำศัพท์ 248,320 โทเคน, 262,144 ตำแหน่ง และ vision tower 27 ชั้นที่ขนาด hidden 1,152 พวกมันยังประกาศคลาสสถาปัตยกรรมเดียวกันด้วย สิ่งที่ทำให้ทั้งสองแตกต่างไม่ใช่ความกว้างหรือความลึก แต่เป็นสิ่งที่แต่ละแล็บทำกับตัวโมเดลนั้นในภายหลัง — และจนถึงตอนนี้ ยังไม่มีใครนำทั้งสองมาแข่งกันเพื่อดูว่าตัวเลือกไหนชนะ

การไม่มีชื่อนั้นคือสิ่งแรกที่ต้องพูดให้ชัดเจน การประเมินที่ inclusionAI เผยแพร่สำหรับ ZwZ2-27B เปรียบเทียบมันกับ GPT-5.6-Luna, GLM-5.3-Flash และ DeepSeek-V4.1-Flash โดยไม่รวม Qwen3.8-27B และไม่รวมโมเดล Qwen ใด ๆ ที่ใหม่กว่าโมเดลที่ ZwZ2 ถูกสร้างขึ้นมา ในส่วนของ Qwen เองนั้นไม่เคยกล่าวถึง ZwZ2 เลย ตัวเลขทุกตัวด้านล่างคือห้องแล็บหนึ่งวัดผลตัวเอง หรือ Qwen วัดผลตัวเอง และยังไม่มีบุคคลที่สามรายใดนำทั้งสองมาไว้ในชุดทดสอบเดียวกัน

โครงเดียวกัน ทีละบรรทัด

ควรพูดให้แม่นยำว่าสองสิ่งนี้ใกล้กันแค่ไหน เพราะกรอบแบบ “27B เทียบกับ 27B” ที่มักใช้กันทำให้ความใกล้ชิดนี้ดูต่ำกว่าความเป็นจริง สองสิ่งนี้ไม่ใช่สองโมเดลที่บังเอิญมีขนาดใกล้เคียงกัน แต่เป็นการรัน post-training สองครั้งบนสถาปัตยกรรมที่สลับใช้กันได้

• พารามิเตอร์ — 27B สำหรับทั้งสองแบบ เป็นแบบ dense และไม่มีการกำหนดเส้นทางแบบ mixture-of-experts ในทั้งสองการกำหนดค่า

• ความลึกและความกว้าง — 64 เลเยอร์, ขนาดซ่อน 5,120, ขนาดระดับกลาง 17,408, เหมือนกันในทั้งสองไฟล์

• ความสนใจ — 24 หัวคำสั่งค้นหา, 4 หัว KV, มิติหัว 256, ตัวประกอบโรตารีบางส่วน 0.25, ฐานโรตารี 10,000,000

• กำหนดการเลเยอร์ — รูปแบบแอตเทนชันแบบเชิงเส้นต่อแบบเต็มในอัตรา 3:1 จำนวน 16 ครั้ง ในทั้งสองแบบ

• คำศัพท์และบริบท — 248,320 โทเค็น และ 262,144 ตำแหน่งเนทีฟ ในทั้งสองรุ่น

• Vision tower — 27 เลเยอร์ ขนาดซ่อน 1,152 โปรเจกต์ไปยัง 5,120 ในทั้งสอง

ผลที่ตามมาในทางปฏิบัติคือ คำถามเรื่องฮาร์ดแวร์เป็นคำถามเดียวกันสำหรับทั้งสองรุ่น โดยมีน้ำหนักโมเดลราว 54 GB ในรูปแบบ bf16 ใช้การ์ด 80 GB หนึ่งใบได้อย่างสบาย ๆ หรือใช้การ์ด 40 GB สองใบแบบคับ ๆ ทั้งสองไม่ใช่โมเดลที่คุณจะรันบนแล็ปท็อป และทั้งสองไม่มีเวอร์ชันควอนไทซ์ในรีโพซิทอรีของตัวเอง — ระบบนิเวศของ Qwen เป็นผู้สร้างสิ่งเหล่านั้นออกมา ส่วน ZwZ2 แทบไม่มีระบบนิเวศเลย

บรรทัดเดียวที่แตกต่าง และค่าเริ่มต้นสองอย่างที่สำคัญกว่า

ในเชิงโครงสร้างมีความแตกต่างกันเพียงจุดเดียวเท่านั้น: Qwen3.8-27B ตั้งค่า mtp_num_hidden_layers เป็น 1 โดยคงหัวทำนายหลายโทเคน (multi-token prediction head) ที่ Qwen กล่าวว่าได้รับการฝึกด้วยหลายขั้นตอนไว้ ขณะที่ ZwZ2-27B ตั้งค่าเป็น 0 โมเดลของ inclusionAI ถูกตัดหัว speculative-decoding ออก ซึ่งเป็นสิ่งที่คุณทำเมื่อไปป์ไลน์การฝึกของคุณไม่ได้ใช้มัน และคุณอยากส่งมอบอาร์ติแฟกต์ที่เล็กและเรียบง่ายกว่า นี่เป็นความแตกต่างด้านการจัดการดูแลรักษา ไม่ใช่ถ้อยแถลงด้านการออกแบบ

ค่าเริ่มต้นคือจุดที่โมเดลทั้งสองแยกทางกันจริง ๆ และสิ่งเหล่านี้จะกำหนดรูปแบบการผสานรวมของคุณมากกว่าค่าคอนฟิกใด ๆ

กำลังคิด โดยค่าเริ่มต้น Qwen3.8-27B จะคิดก่อนตอบ มีระดับความพยายามสามระดับโดยใช้ xhigh เป็นค่าเริ่มต้น และสามารถเก็บบริบทการให้เหตุผลจากรอบก่อนหน้าไว้ได้ผ่าน preserve_thinking ส่วน ZwZ2-27B มีเอกสารระบุการใช้งานในโหมดไม่คิด: quickstart ของมันส่ง enable_thinking=False เทมเพลตแชตของมันขอให้โมเดลวางคำตอบสุดท้ายไว้ภายในแท็ก <answer> และการประเมินทั้ง 25 benchmark ก็รันในลักษณะนั้น หากไปป์ไลน์ของคุณคาดหวังคำตอบแบบผ่านครั้งเดียว ZwZ2-27B ถูกออกแบบมาให้พร้อมใช้สำหรับคุณตั้งแต่แรก หากคุณต้องการให้โมเดลไตร่ตรองตลอดงาน 50 ขั้นตอน Qwen3.8-27B มีกลไกสำหรับสิ่งนั้น และข้อมูลผลิตภัณฑ์ของ ZwZ2-27B ไม่ได้กล่าวอ้างถึงความสามารถดังกล่าว

โมดัลลิตี้ Qwen3.8-27B มีเอกสารระบุถึงความสามารถในการเข้าใจภาพและวิดีโอ โดยการสุ่มตัวอย่างวิดีโอถูกควบคุมผ่านเลเยอร์การให้บริการ ส่วนคอนฟิกของ ZwZ2-27B นั้นมี video_token_id อยู่ แต่การ์ดข้อมูลและการประเมินของโมเดลนี้มุ่งเน้นไปที่ภาพนิ่งและการเปรียบเทียบภูมิภาคเท่านั้น จึงควรมองว่าความสามารถด้านวิดีโอยังไม่ได้รับการพิสูจน์ในฝั่ง inclusionAI

สิ่งที่แต่ละฝ่ายสามารถพิสูจน์ได้จริง

ผู้จำหน่ายทั้งสองรายได้เผยแพร่ผลการประเมินออกมาแล้ว แต่ผลเหล่านี้ไม่สามารถนำมาเปรียบเทียบกันได้ และเหตุผลก็ไม่ใช่เรื่องการตลาด — แต่เป็นเพราะชุดการทดสอบทั้งสองชุดวัดสิ่งที่แตกต่างกัน

คำกล่าวอ้างของ ZwZ2-27B อ้างอิงจาก 25 เบนช์มาร์กในหกโดเมนการรับรู้ โดยได้รับการให้คะแนนจาก inclusionAI ซึ่งยกระดับฐานของตัวเองจาก 55.52 เป็น 60.51 ตัวเลขสัมบูรณ์ที่สูงที่สุดอยู่ในด้านการรับรู้ระดับละเอียด (ค่าเฉลี่ยโดเมน 67.57) และความเข้าใจบริบทระยะยาว (68.77) ส่วนด้านที่อ่อนที่สุดคือ Chartography ที่ 12.00 และ AgentVista ที่ 18.18

ตารางที่เผยแพร่ของ Qwen3.8-27B เป็นชุดทดสอบด้านข้อความและเอเจนต์ที่มีส่วนด้านวิชัน และ Qwen ได้รันชุดทดสอบนี้กับรุ่นก่อนหน้าของตัวเอง ช่องว่างบางส่วนระหว่าง Qwen3.8-27B และ Qwen3.6-27B นั้นมหาศาล:

• การเขียนโค้ดในเทอร์มินัลแบบเอเจนต์ — Terminal Bench 2.1 ที่ 73.0 เทียบกับ 63.4 สำหรับ Qwen3.6-27B

• วิศวกรรมซอฟต์แวร์ — QwenSWEBench ที่ 79.0 เทียบกับ 49.3 และ DeepSWE 1.1 ที่ 42.2 เทียบกับ 13.3

• การใช้คอมพิวเตอร์ — OSWorld-Verified อยู่ที่ 84.3 เทียบกับ 63.9; WebArena-Verified อยู่ที่ 64.8 เทียบกับ 48.8

• การใช้งานบนมือถือ — AndroidWorld อยู่ที่ 81.9 เทียบกับ 70.3

• วิศวกรรมซอฟต์แวร์แบบมัลติโมดัล — SWE-MM ที่ 38.6; RecreationBench ที่ 47.1 เมื่อเทียบกับ 29.8

• การใช้เหตุผลเชิงวิทยาศาสตร์ — GPQA Diamond ที่ 89.2 เทียบกับ 87.8 และ HLE ที่ 30.8 เทียบกับ 24.0

นั่นคือตัวเลขของ Qwen เองบนฮาร์เนสของ Qwen เอง และมันบอกอะไรง่าย ๆ ว่า เจเนอเรชัน 3.8 ไม่ใช่ก้าวเล็ก ๆ เหนือ 3.6 ในการทำงานซอฟต์แวร์แบบเอเจนติก การพัฒนาวัดกันเป็นสิบ ๆ คะแนน ไม่ใช่หลักหน่วย

ทำไม +4.99 เมื่อเทียบกับ 3.6 จึงไม่ใช่ตัวเลขที่เกี่ยวกับ 3.8

นี่คือกับดักในการเปรียบเทียบ และเป็นเรื่องง่ายที่จะหลงเข้าไป ผลการปรับปรุงที่ถูกยกเป็นจุดเด่นของ ZwZ2-27B คือ +4.99 เมื่อเทียบกับ Qwen3.6-27B แต่ Qwen3.8-27B เป็นโมเดลที่แข็งแกร่งกว่า Qwen3.6-27B มากในชุดทดสอบของ Qwen ข้อสรุปที่น่าดึงดูดใจ — ที่ว่าการเพิ่มขึ้นของ ZwZ2 จะปิดช่องว่างนั้น — ไม่ได้ตามมา และมีเหตุผลเชิงกลไกที่ทำให้ไม่สามารถตรวจสอบได้

ไม่สามารถนำค่าจากการรันคนละครั้งมาลบกันได้ ค่า 60.51 ของ ZwZ2-27B เป็นค่าเฉลี่ยของความแม่นยำจาก benchmark ด้านการรับรู้ 25 รายการที่ inclusionAI เลือก ส่วนตัวเลขของ Qwen3.8-27B เป็นคะแนนจาก benchmark คนละชุดที่ Qwen เลือก โมเดลที่ได้ 60.51 บนชุดทดสอบหนึ่งกับโมเดลที่ได้ 84.3 บนงานที่แตกต่างกันโดยสิ้นเชิงไม่ได้บอกอะไรเกี่ยวกับลำดับเมื่อเทียบกันของทั้งสองเลย และบทความใดก็ตามที่นำตัวเลขเหล่านั้นมาไว้ในคอลัมน์เดียวกันกำลังกุอันดับขึ้นมาซึ่งไม่มีใครได้วัดไว้

สิ่งที่พูดได้นั้นแคบกว่าและยังมีประโยชน์อยู่ ZwZ2-27B เป็นการแทรกแซงแบบเจาะจงบนโมเดลที่ Qwen ได้แทนที่ไปแล้ว และขนาดที่บันทึกไว้ของการแทรกแซงนี้ — ห้าคะแนนบนค่าเฉลี่ยเชิงการรับรู้ — อยู่ในระดับเดียวกับเดลตา 3.6 ถึง 3.8 หลายค่าของ Qwen เองในงานด้านวิสัยทัศน์ และเล็กกว่ามากเมื่อเทียบกับเดลตาของมันในงานแบบเอเจนติก การที่ความเชี่ยวชาญเฉพาะทางจะปิดช่องว่างระหว่างรุ่นในด้านการรับรู้ระดับภูมิภาคได้หรือไม่นั้น คือสิ่งที่ต้องใช้ชุดทดสอบร่วมกันอย่างแน่นอน ไม่มีใครสร้างมันขึ้นมา

คอลัมน์อ้างอิงของการ์ดบอกใบ้ว่าเหตุใดคำตอบจึงอาจมีอยู่ ZwZ2-27B ได้คะแนน 60.51 ขณะที่ inclusionAI วัด GLM-5.3-Flash ได้ 57.24 และ DeepSeek-V4.1-Flash ได้ 55.47 — เป็นโมเดลที่โฮสต์ไว้ซึ่งมันเอาชนะได้ในชุดทดสอบที่สร้างขึ้นโดยเน้นการเปรียบเทียบภูมิภาค โดยการ์ดระบุว่าความละเอียดภาพของโมเดลขั้นสูงถูกจำกัดโดยแพลตฟอร์มที่ให้บริการ นั่นเป็นผลลัพธ์เกี่ยวกับชุดทดสอบพอๆ กับเกี่ยวกับโมเดล ไม่ใช่หลักฐานเกี่ยวกับ Qwen3.8-27B ซึ่งไม่เคยอยู่ในห้องนั้น

สำหรับทีมส่วนใหญ่ ไลเซนส์เป็นตัวตัดสินก่อนที่ผลการทดสอบประสิทธิภาพจะตัดสิน

Qwen3.8-27B เป็น Apache-2.0 ซึ่งประกาศไว้ในส่วนหน้าของโมเดลการ์ด โดยมีจำนวนดาวน์โหลดระดับหลายล้านครั้งและมีระบบนิเวศของอะแดปเตอร์ ไฟน์จูน และควอนไทเซชันล้อมรอบ ส่วน ZwZ2-27B ไม่ได้ประกาศสัญญาอนุญาตใด ๆ เลย การ์ดของมันชี้ไปที่ “สัญญาอนุญาตที่มาพร้อมกับน้ำหนักที่เผยแพร่และสัญญาอนุญาตของ backbone ที่เกี่ยวข้อง” ซึ่งเป็นเหตุผลแบบวนเวียนเมื่อน้ำหนักนั้นไม่มีสัญญาอนุญาตติดมาด้วยเลย

สำหรับทีมวิจัยแล้ว นี่เป็นเพียงเชิงอรรถ สำหรับบริษัทที่นำโมเดลไปไว้เบื้องหลังผลิตภัณฑ์ นี่คือเส้นชี้ขาด และไม่ใช่เรื่องที่ใกล้เคียงเลย การที่ backbone เป็น Apache-2.0 ไม่ได้ให้สิทธิ์โดยอัตโนมัติแก่ derivative ที่เงื่อนไขของตัวเองยังไม่ได้ระบุไว้ — นั่นเป็นคำถามสำหรับที่ปรึกษากฎหมาย และจนกว่า inclusionAI จะตอบคำถามนี้ การตีความที่ปลอดภัยคือ ZwZ2-27B ยังไม่ได้รับอนุญาตให้ใช้งานเชิงพาณิชย์ การไม่มี paper ยิ่งซ้ำเติมปัญหา: การ์ดโมเดลยังมี placeholder ตามตัวอักษรว่า PAPER_URL ดังนั้นคำอธิบายวิธีการจึงเป็นเพียง README และสคีมาชุดข้อมูล ไม่มีอะไรมากกว่านั้น

สิ่งที่คุณสามารถเรียกได้ในวันนี้

Qwen3.8-27B เป็นโมเดลที่เรียกใช้ผ่าน OrcaRouter ได้แล้วตอนนี้ โดยใช้คีย์เดียวร่วมกับโมเดลอื่น ๆ ในแคตตาล็อก และในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม — ดังนั้นหาก Qwen เปลี่ยนแปลงราคา การเปลี่ยนแปลงจะมีผลที่นี่ในวันเดียวกัน แทนที่จะเป็นหลังรอบการปรับราคา โดยระบุไว้ที่ 0.33 ดอลลาร์ต่อ 1 ล้านโทเค็นอินพุต และ 2.40 ดอลลาร์ต่อ 1 ล้านโทเค็นเอาต์พุต พร้อมบริบท 262,144 โทเค็นที่ให้ใช้ เรื่องนี้สำคัญสำหรับการเปรียบเทียบแบบนี้ ซึ่งโดยปกติแล้วผู้ทดลองที่ถูกกว่ามักเป็นฝ่ายชนะ: คุณสามารถทดสอบประสิทธิภาพ Qwen3.8-27B เทียบกับภาระงานของคุณเองได้ในบ่ายนี้ โดยไม่ต้องดาวน์โหลดหรือใช้ GPU

ZwZ2-27B ไม่ได้อยู่ในแคตตาล็อกของเรา และการพูดให้อ่อนลงกว่านี้จะไม่ซื่อสัตย์ มันเป็นอาร์ติแฟกต์ที่โฮสต์เองขนาด 54 GB ซึ่งไม่มีสัญญาอนุญาตและไม่มีสูตรการให้บริการ และวิธีเดียวที่จะประเมินมันคือการรันมัน หากในภายหลังมันได้ตำแหน่งในสแต็กของคุณ ชั้นกำหนดเส้นทางคือจุดที่ทั้งสองจะมาบรรจบกัน — เอนด์พอยต์เดียว การสลับไปใช้ระบบสำรองอัตโนมัติ และนโยบายที่ส่งทราฟฟิกการเปรียบเทียบภูมิภาคไปยังโมเดลเฉพาะทาง และส่งส่วนที่เหลือทั้งหมดไปยังโมเดลทั่วไป แทนการเขียนใหม่

อันไหน โดยพิจารณาจากภาระงาน

Qwen3.8-27B เป็นค่าเริ่มต้นที่สมเหตุสมผลสำหรับเกือบทุกอย่าง ทั้งการเขียนโค้ดแบบเอเจนต์ การใช้เครื่องมือในระยะยาว การควบคุมคอมพิวเตอร์และเบราว์เซอร์ การให้เหตุผลทั่วไป และวิดีโอ — นั่นคือจุดที่ความก้าวหน้าที่เผยแพร่ของมันมีมากที่สุด และเป็นเพียงหนึ่งในสองรุ่นที่คุณสามารถส่งมอบได้อย่างถูกกฎหมายและนำไปใช้งานได้จริงในวันนี้

ZwZ2-27B มีกรณีการใช้งานที่แคบกว่า: คุณมีไปป์ไลน์ระดับ Qwen3.6-27B อยู่แล้ว คอขวดของคุณคือรายละเอียดที่วัดได้ในเอกสาร แผนภูมิ หรือภาพหน้าจออินเทอร์เฟซ และแนวคิดที่จะเพิ่มการเรียกเครื่องมือซูมและครอปเข้าไปในลูปการอนุมานของคุณนั้นไม่น่าดึงดูด นั่นคือปัญหาที่ inclusionAI อ้างว่าแก้ได้อย่างแม่นยำ — เรียนรู้การเปรียบเทียบข้ามบริเวณที่ทำเครื่องหมายไว้ในช่วงการฝึก เพื่อให้การอนุมานไม่ต้องใช้เครื่องมือ หากโมเดลฐานเป็นเงื่อนไขควบคุมในฮาร์เนสของคุณเอง การทดสอบ ZwZ2-27B แบบโลคัลเทียบกับโมเดลนั้นเป็น実験ที่ราคาถูกและกำหนดปัญหาได้ดี

สิ่งที่ไม่อาจแก้ต่างได้คือการถือว่า 60.51 ของผู้ขายเป็นคะแนนความสามารถทั่วไป หรือการนำไปเปรียบเทียบกับตัวเลข Qwen3.8 ใด ๆ ราวกับว่าทั้งสองอยู่บนมาตรวัดเดียวกัน แต่สองสิ่งนั้นไม่ได้อยู่บนมาตรวัดเดียวกัน และแนวทางที่จะชี้ขาดเรื่องนี้ — ชุดทดสอบร่วมที่ดำเนินการโดยผู้ไม่มีส่วนได้ส่วนเสีย — ก็ยังไม่ได้รับการประกาศ เช่นเดียวกับที่ ZwZ2-27B เองก็ยังไม่ได้รับการประกาศ

คำถามสามข้อที่การเปรียบเทียบนี้หยิบยกขึ้นมาจริง ๆ

ZwZ2-27B เป็นเพียง Qwen3.6-27B ที่ผ่านการฝึกเพิ่มเติมหรือไม่ ในเชิงสถาปัตยกรรมนั้นใช่ ตั้งแต่ตารางเลเยอร์ไปจนถึง vision tower โดยตัด multi-token prediction head ออก ในเชิงพฤติกรรมนั้นขึ้นอยู่กับสูตรการฝึกหลังการฝึก (post-training) ที่ inclusionAI อธิบายไว้เพียงระดับ README เท่านั้น ได้แก่ การจัดกลุ่มภูมิภาคละสามถึงเจ็ดกลุ่ม คำถามที่สร้างจาก privileged crops แล้วกรองด้วยความสอดคล้องข้ามโมเดลและการทดสอบแบบ drop-one-region จากนั้นจึงทำ GRPO บนตัวอย่างราว 20,000 ตัวอย่าง โดยไม่มีขั้นตอน supervised fine-tuning นั่นเป็นคำอธิบายของวิธีการ ไม่ใช่การทำซ้ำให้เหมือนต้นฉบับ

ความก้าวหน้าที่ ZwZ2-27B ได้มาจะยังคงอยู่เมื่อต้องเผชิญกับ Qwen3.8-27B ในงานด้านการรับรู้หรือไม่ ไม่ทราบ และไม่สามารถทราบได้จากบันทึกปัจจุบัน ส่วนวิสัยทัศน์ของ Qwen3.8-27B ให้น้ำหนักไปที่การใช้คอมพิวเตอร์ การใช้เบราว์เซอร์ และวิศวกรรมซอฟต์แวร์แบบมัลติโมดัล มากกว่าการเปรียบเทียบระดับภูมิภาค ดังนั้นแม้แต่ตารางของ Qwen เองก็ไม่ตอบคำถามที่ข้อกล่าวอ้างของ ZwZ2 ยกขึ้นมา

ค่าเริ่มต้นของโหมดคิดส่งผลต่อการเปรียบเทียบหรือไม่ ใช่ มากกว่าที่ช่องว่างของ benchmark บ่งชี้ ZwZ2-27B ถูกประเมินและจัดทำเอกสารไว้ในฐานะโมเดลแบบ single-pass ที่ไม่ใช้โหมดคิด ส่วน Qwen3.8-27B ถูกออกแบบโดยอิงกับความพยายามในการให้เหตุผลที่ปรับได้ สำหรับการเรียกใช้งานด้านการรับรู้ที่ไวต่อ latency นั้นได้เปรียบด้วยการออกแบบของ ZwZ2-27B และสำหรับงานใดก็ตามที่ต้องใช้การใคร่ครวญอย่างละเอียดก็ได้เปรียบด้วยการออกแบบของ Qwen3.8-27B แต่ทั้งสองถูกวัดภายใต้การตั้งค่าการสร้างที่แตกต่างกัน ตัวเลข benchmark จึงสะท้อนความแตกต่างนั้นไปด้วย