ZoomGain-9B vs Qwen 3.8 8B: Không hề có Qwen3.8-8B, và đó chính là bài viết

Tìm kiếm "Qwen 3.8 8B" và bạn sẽ thấy các trang so sánh, liên kết tải xuống và cả nửa tá bài viết coi nó là một mô hình đã phát hành. Nhưng nó không phải. Thế hệ Qwen3.8 của Alibaba gồm bốn checkpoint mở — Qwen3.8-27B, bản dựng FP8 của nó, Qwen3.8-2.4T-A95B và Qwen3.8-Flash-Next — và không có cái nào là 8B. Vị trí 8B trong dòng Qwen do Qwen3-8B chiếm giữ, một mô hình thuộc thế hệ Qwen3 năm 2025, với kiến trúc khác, tokenizer khác và thời đại khác. Vậy nên phiên bản trung thực của màn so tài này là giữa ZoomGain-9B, checkpoint thị giác-ngôn ngữ 9B do inclusionAI công bố ngày 10 tháng 11 năm 2026, và hai mô hình Qwen thực sự tồn tại ở kích cỡ tương đương: Qwen3.8-27B, thành viên dense nhỏ nhất của thế hệ 3.8 với 27 tỷ tham số, và Qwen3.5-9B, mô hình gốc mà ZoomGain-9B được huấn luyện hậu kỳ từ đó.

Việc đính chính đó không phải là một chi tiết kỹ thuật cần gạt sang một bên trước khi đến phần thú vị. Nó thay đổi câu trả lời. Qwen3.5-9B là mô hình nền mà ZoomGain được huấn luyện dựa trên, nên đây là thứ gần nhất với một thử nghiệm có kiểm soát trong toàn bộ bản phát hành này: cùng trọng số, cùng kiến trúc, cùng tokenizer, chỉ khác 9.000 mẫu RL. Qwen3.8-27B lớn gấp ba lần và mới hơn hai thế hệ, và đó là mô hình mà bạn thực sự sẽ chọn thay cho ZoomGain nếu hôm nay bạn muốn có một endpoint Qwen. So sánh với cả hai cho bạn biết điều mà phantom 8B không bao giờ có thể làm được.

Tại sao mục ảo lại tồn tại ngay từ đầu

Cách đặt tên không hề ngẫu nhiên. Qwen đã phát hành 27B và 2.4T-A95B vào ngày 5 và 8 tháng 8 năm 2026, rồi đến Flash-Next vào ngày 24 tháng 8. Thế hệ trước, Qwen3.5, có một bản 9B và một bản 4B; Qwen3.6 có 27B và 35B-A3B. Mọi thế hệ kể từ Qwen3 đều bao gồm một mô hình dense nhỏ, và thế hệ 3.8 là thế hệ đầu tiên bỏ qua một mô hình như vậy. Bất kỳ ai soi theo quy luật của ba bản phát hành trước đều có lý do để dự đoán một Qwen3.8-9B, và Qwen3.8-8B chỉ cách dự đoán đó đúng một chữ số.

Thứ thực sự lấp đầy khoảng trống là chưng cất cộng đồng. Các checkpoint Qwen3.8-9B-Distill đã xuất hiện trên Hub từ những phòng thí nghiệm độc lập trong vòng một tuần sau khi phát hành bản 27B, rồi đến các dẫn xuất của chính những dẫn xuất đó. Chúng là những mô hình nhỏ được huấn luyện trên đầu ra của Qwen3.8, không phải là các mô hình Qwen3.8. Nếu một trang bạn tìm thấy đang mô tả "Qwen 3.8 8B" kèm số liệu benchmark, lời giải thích khả dĩ nhất là trang đó đang mô tả một trong số những mô hình đó, hoặc đang chẳng mô tả thứ gì cả.

Hệ quả thực tế: nếu bạn cần một mô hình nhỏ thuộc dòng Qwen, các lựa chọn thực tế hiện tại là Qwen3.5-9B ở 9B và Qwen3.5-4B ở 4B, cả hai đều từ tháng 2 năm 2026, cả hai đều theo Apache 2.0, cả hai vẫn nằm trong số các mô hình được tải xuống nhiều nhất trên Hub. ZoomGain-9B được xây dựng dựa trên mô hình đầu tiên trong số đó.

Thử nghiệm có kiểm soát mà bản phát hành vô tình cung cấp

Cấu hình của Qwen3.5-9B và của ZoomGain-9B có cùng hình dạng: 32 lớp, kích thước ẩn 4.096, kích thước trung gian 12.288, 16 đầu truy vấn so với 4 đầu KV ở kích thước đầu 256, 262.144 vị trí tối đa, và cùng lịch trình 3:1 giữa DeltaNet tuyến tính và attention đầy đủ. Tháp thị giác là của mô hình cơ sở. Không có gì về kiến trúc thay đổi.

Điều đã thay đổi là quá trình hậu huấn luyện. ZoomGain đã áp dụng GRPO cho 9.000 câu hỏi được tạo ra bằng cách khai thác chi tiết đã cắt, trong một epoch, với tám rollout cho mỗi câu hỏi. Đó là toàn bộ can thiệp, và tác động đo được của nó trên ZoomGainBench là từ 32,13 lên 55,48 — mức tăng 23,35 điểm trên một benchmark được xây dựng từ cùng pipeline với dữ liệu huấn luyện, mà bài báo trung thực gọi là "Held-in".

Con số vẫn đứng vững sau lưu ý đó là mức trung bình held-out trên mười ba benchmark mà quá trình huấn luyện chưa từng thấy: 59,75 cho Qwen3.5-9B, 66,10 cho ZoomGain-9B. Mức tăng 6,35 điểm từ 9.000 mẫu, trên cùng bộ trọng số. Trong đúng nhóm mà bản phát hành nhắm tới, mức chênh lệch còn lớn hơn: HR-Bench 4K từ 82,13 lên 90,25, V*Bench từ 86,91 lên 93,19, VisualProbe từ 44,66 lên 56,31.

• Kết quả tiêu cực thú vị — MMStar tăng từ 71.73 lên 73.87, và BabyVision từ 15.98 lên 17.53. Năng lực đa phương thức tổng quát gần như không thay đổi. Quá trình huấn luyện đã mang lại chi tiết tinh xảo và không nhiều thứ khác, đúng như những gì một lần chạy RL có mục tiêu với 9.000 mẫu nên làm.

• Lưu ý thẳng thắn — tất cả những điều trên đều do tác giả tự báo cáo trên harness của chính các tác giả. Không ai bên ngoài Ant Group đã tái lập được nó. Bộ đánh giá và benchmark là công khai, nên có thể kiểm chứng, nhưng nó chưa được kiểm chứng.

Qwen3.8-27B, và dòng đưa nó vào cùng một bảng

Ở đây, so sánh mới thực sự rõ ràng, vì bài báo ZoomGain đã đánh giá Qwen3.8-27B trên bộ chuẩn của chính họ. Mô hình 27B đạt 44,81 điểm tổng thể trên ZoomGainBench — thấp hơn 48,65 của Kimi-K3, thấp hơn 55,05 của Qwen3.8-Flash-Next, và thấp hơn mọi mô hình tiên phong mã nguồn đóng trong bảng. Theo thước đo đó, đây là một bộ nhận diện chi tiết nhỏ đủ năng lực nhưng không có gì nổi bật.

Đặt điều đó bên cạnh 55.48 của ZoomGain-9B trong cùng bài kiểm tra, phép tính trông thật nổi bật: một mô hình 9B đạt điểm cao hơn một mô hình 27B cùng dòng 10.7 điểm, trên một benchmark mà marketing của cả hai nhà cung cấp đều sẽ không chọn. Nhưng đây chính là phép so sánh cần được gắn nhãn held-in, và bài báo có gắn nhãn đó. ZoomGainBench được xây dựng bởi pipeline đã tạo ra dữ liệu huấn luyện của ZoomGain. Một mô hình được huấn luyện trên các câu hỏi từ pipeline đó thì đã thấy phân phối; một mô hình được đánh giá trên đó thì chưa. Khoảng cách 10.7 điểm là một phát biểu về độ khớp phân phối, không phải về năng lực.

Ở những chỗ có thể so sánh hai mô hình mà không có sự bóp méo đó, bức tranh đảo ngược. Thẻ mô hình của chính Qwen3.8-27B báo cáo Terminal Bench 2.1 ở mức 73.0, SWE-bench Pro ở mức 61.7, LiveCodeBench v6 ở mức 90.3, GPQA Diamond 89.2 và HLE 30.8. ZoomGain-9B không được đánh giá trên bất kỳ mục nào trong số này và sẽ không được kỳ vọng làm tốt: quá trình huấn luyện của nó chưa từng chạm đến mã, các tác vụ terminal hay khoa học cấp sau đại học. Qwen3.8-27B cũng xử lý hình ảnh và video một cách nguyên bản, phục vụ ngữ cảnh 262,144 token có thể mở rộng lên một triệu, và hỗ trợ điều khiển chế độ suy nghĩ với `reasoning_effort` — một năng lực mà ZoomGain-9B hoàn toàn không có, vì quá trình đánh giá của nó chạy với tính năng suy nghĩ bị tắt.

• Kích thước và hình dạng — Qwen3.8-27B là mô hình dense 27B với 64 lớp, hidden 5.120, intermediate 17.408 và một đầu dự đoán đa token 1 lớp. ZoomGain-9B có khoảng 9,4B với 32 lớp ở hidden 4.096.

• Tính khả dụng — Qwen3.8-27B có 7,4 triệu lượt tải xuống, giấy phép Apache 2.0, các bản dựng FP8 và GGUF, và một endpoint được lưu trữ. ZoomGain-9B không có endpoint được lưu trữ, ánh xạ nhà cung cấp trống trên Hub, giấy phép được chuyển sang một card không có nhãn giấy phép, và các bản dựng GGUF ngày 11 tháng 11 là hình thức phân phối duy nhất ngoài BF16.

• Ngày phát hành — Qwen3.8-27B: 5 tháng 8 năm 2026, một đợt ra mắt đầy đủ với bài đăng blog và báo cáo kỹ thuật. ZoomGain-9B: 10 tháng 11 năm 2026, chỉ một bài báo và một kho mã nguồn, không gì khác. Khoảng cách ba tháng ít quan trọng hơn việc một trong hai đã được các đơn vị vận hành thực tế sử dụng kể từ tháng 8.

Giá của từng tuyến và tuyến mà chúng tôi thực sự có thể bán cho bạn

Qwen3.8-27B có trong danh mục của OrcaRouter với giá 0,33 USD mỗi triệu token đầu vào và 2,40 USD mỗi triệu token đầu ra, ngữ cảnh 262K, đầu vào văn bản, hình ảnh và video, cùng 0% phụ phí so với giá niêm yết của nhà cung cấp — con số trên trang mô hình của chúng tôi chính là con số Q​wen tính, được chuyển nguyên vẹn, nên thay đổi giá từ nhà cung cấp có hiệu lực tại đây ngay trong cùng ngày thay vì sau một chu kỳ định giá lại. Cùng một khóa cũng truy cập được Qwen3.8-Flash và Qwen3.8-Max nếu 27B hóa ra không đúng cỡ, và cơ chế chuyển đổi dự phòng nghĩa là một endpoint bị treo sẽ được thử lại sang nhà cung cấp khác trước khi phản hồi bắt đầu thay vì sau khi yêu cầu của bạn hết thời gian chờ.

ZoomGain-9B không có trong danh mục và không thể được gọi thông qua chúng tôi. Nó có dung lượng 18,82 GB ở BF16, hoặc 5,63 GB ở Q4_K_M cộng với một projector mmproj 0,52 GB, được phục vụ dưới vLLM 0.19.1 với transformers 5.7.0 hoặc dưới một bản build llama.cpp có hỗ trợ đa phương thức Qwen3.5. Bản thân Qwen3.5-9B cũng không có trong danh mục, điều này đáng nói thẳng: phiên bản được host giá rẻ của bảng so sánh này cũng không tồn tại ở phía chúng tôi.

Nếu câu hỏi thực sự của bạn là "tôi có nên chạy ZoomGain-9B thay vì trả tiền cho một endpoint Qwen hay không", thì so sánh chi phí không hề sát nút theo cả hai hướng và cũng không cần phải như vậy. Một mô hình dense 27B với giá $0,33 mỗi triệu token đầu vào rẻ hơn việc sở hữu một GPU đối với gần như mọi mức lưu lượng mà bạn sẽ gọi là thỉnh thoảng. Tự vận hành một mô hình 9B chỉ thắng khi lưu lượng cao, dữ liệu không thể rời khỏi mạng của bạn, hoặc tác vụ là đúng một việc hẹp mà mô hình 9B được huấn luyện để làm.

Khi mô hình phantom lẽ ra đã có ý nghĩa

Có một khoảng trống thực sự trong dòng sản phẩm Qwen, và đáng để gọi tên vì nó giải thích tại sao rất nhiều người đã tìm kiếm sự so sánh này. Một mô hình dense 9B với cửa sổ 262K và bộ từ vựng thế hệ Qwen3.8, được bán với mức giá gần bằng Qwen3.5-9B, sẽ là lựa chọn tiết kiệm hiển nhiên cho các pipeline xử lý nhiều hình ảnh — rẻ hơn 27B, mạnh hơn 4B, và đủ nhỏ để tự vận hành trên một card duy nhất. Qwen đã không ra mắt một mô hình như vậy, nên vị trí đó hiện được phục vụ hoặc bởi Qwen3.5-9B cũ hơn hoặc bởi một bản chưng cất cộng đồng không có nhà cung cấp nào đứng sau.

ZoomGain-9B cũng không phải mô hình đó, và sự phân biệt này rất quan trọng. Đây là một mô hình chuyên về nhận thức, có vấn đề về giấy phép nghiên cứu và không có đường triển khai được host, chứ không phải một Q​wen nhỏ đa dụng. Nếu điều bạn muốn từ “Q​wen 3.8 8B” là một mô hình tổng quát rẻ, thì ZoomGain-9B sẽ làm bạn thất vọng ở mọi thứ trừ chi tiết tinh xảo. Nếu điều bạn muốn là một mô hình có thể tìm ra số sê-ri trong một bức ảnh 4K, thì đây là một trong số ít các checkpoint nhỏ được xây dựng riêng cho việc đó.

Với trường hợp tổng quát, các phương án thay thế thực tế là dòng Qwen3.5 được host — 35B-A3B với giá $0.057 mỗi triệu token đầu vào, 27B với giá $0.086 — chiếm vị trí ngân sách mà mẫu 8B còn thiếu lẽ ra đã lấp đầy, với dấu chân lớn hơn và một endpoint thực thụ. Với trường hợp nhận thức, chúng tôi không thể cung cấp phương án thay thế được host nào: Qwen3-VL-8B-Instruct với giá $0.18 đầu vào và $0.70 đầu ra mỗi triệu token nhận hình ảnh và hoạt động như một phương án tạm thay để kiểm tra xem lỗi của bạn có phải là lỗi chi tiết không, nhưng nó không được huấn luyện theo cách ZoomGain đã được huấn luyện và sẽ không khớp với ZoomGain trên các ảnh cắt.

Làm gì với cái này, một cách cụ thể

Nếu bạn đến đây để tìm một kết luận về ZoomGain-9B so với Qwen3.8-8B, thì kết luận là đối thủ đó không tồn tại, và bất kỳ trang nào đưa ra cho bạn một kết luận như vậy đều đã bịa ra một nửa của phép so sánh. Hai câu hỏi thực sự thì hẹp hơn, và cả hai đều có thể trả lời được ngay hôm nay.

Câu hỏi một: liệu một bản fine-tune 9B của Qwen3.5-9B có tốt hơn Qwen3.5-9B ở khả năng nhận thức chi tiết mịn không? Theo số liệu của các tác giả, có, cao hơn 6,35 điểm trên tập held-out và cao hơn nhiều trên các benchmark mà quá trình huấn luyện nhắm tới. Đó là một kết quả mạnh mẽ với 9.000 mẫu và là điều thú vị nhất trong bản phát hành.

Câu hỏi thứ hai: ZoomGain-9B có tốt hơn Qwen3.8-27B ở bất cứ điều gì quan trọng với bạn không? Về năng lực tổng quát, không — mô hình 27B mới hơn, lớn hơn, được tài liệu hóa tốt hơn, được cấp phép, được lưu trữ và được đánh giá trên nhiều khía cạnh hơn nhiều. Trên một benchmark được xây dựng từ chính phân phối huấn luyện của ZoomGain, nó đạt điểm cao hơn 10,7 điểm, điều đó cho bạn biết việc huấn luyện đã hiệu quả và không nói lên điều gì về việc nên mua mô hình nào.

Quyết định tiếp theo thật kém hào nhoáng. Hãy dùng một mô hình Qwen được lưu trữ sẵn cho công việc tổng quát, vì nó tốn $0.33 mỗi triệu token đầu vào và có được chỉ với một lần gọi API. Chỉ tải ZoomGain-9B nếu bạn có một công việc cụ thể đòi hỏi độ chi tiết cao, một GPU và một luật sư đã đọc tệp giấy phép mà nhà cung cấp chưa công bố.