ZwZ2-27B: Trọng số đã cập bến vào ngày 16 tháng 10, lời giải thích đến sau mười ngày.

ZwZ2-27B đã có thể tải xuống từ Hugging Face kể từ ngày 16 tháng 10 năm 2026. Trong mười ngày đầu tiên xuất hiện công khai, không có thông báo, không có bài báo, không có README và không có giấy phép nào được nêu — chỉ có hai shard safetensors bf16 nằm trong inclusionAI, cùng một kho lưu trữ không đưa ra lý do nào cho sự tồn tại của nó. Vào ngày 26 tháng 10, một thẻ mô hình đã xuất hiện. Thẻ này cho biết mô hình là một hệ thống thị giác–ngôn ngữ được huấn luyện bằng học tăng cường, xây dựng trên Qwen3.6-27B, và công bố một bản đánh giá trên 25 benchmark, trong đó mô hình vượt mô hình nền đó 4,99 điểm tính tổng thể.

Đó là toàn bộ những gì mới, và đáng tách ra khỏi những gì người ta sẽ cho là đã xảy ra. Đây không phải là một đợt ra mắt. Các trọng số đã mười một ngày tuổi và nhà cung cấp vẫn chưa công bố chúng. Điều thay đổi trong tuần này là cuối cùng chúng ta có thể đọc được điều inclusionAI nghĩ mô hình này dùng để làm gì.

Điều gì thực sự đã thay đổi, theo ngày

Lịch sử commit của chính kho lưu trữ là bằng chứng rõ ràng nhất hiện có, và nó không tô hồng câu chuyện. Ba commit chứa đựng tất cả:

• 16 tháng 10, 05:42 UTC — commit đầu tiên, rồi “Thêm trọng số mô hình ZwZ2-27B” mười phút sau đó. Cấu hình, tokenizer, processor và hai shard trọng số. Không có README.

{{1}}26 tháng 10, 02:58 UTC{{/1}} — “{{2}}Tạo README.md{{/2}}”. Bản mô tả thành văn đầu tiên về mô hình, mười ngày sau khi có trọng số.

• Ngày 26–27 tháng 10 — việc chỉnh sửa README lặp đi lặp lại và các lần tải lên sáu tệp khi các số liệu benchmark và tài nguyên hình ảnh được tập hợp.

Vào thời điểm viết bài, kho lưu trữ hiển thị bảy lượt tải xuống và không có lượt thích nào. Dự án GitHub đồng hành, inclusionAI/Zooming-without-Zooming-v2, được tạo vào ngày 14 tháng 10 và có một sao. Các tìm kiếm bằng tiếng Anh về tên mô hình chỉ trả về thông tin về dòng ZwZ-2B/4B/8B cũ hơn và về ZwZ2-9B ngày 16 tháng 10, còn về bản 27B thì không có gì cả. Nếu đã có một buổi ra mắt ở đây, thì nó đã diễn ra mà không có khán giả.

Mô hình trong tệp cấu hình

Các tệp cấu hình là phần kém hào nhoáng nhất và đáng tin cậy nhất trong bất kỳ bản phát hành nào. Tệp này mô tả một mô hình thị giác-ngôn ngữ dense có khai báo kiến trúc là Qwen3_5ForConditionalGeneration — cùng lớp mà các mô hình của chính Qwen sử dụng — với các con số sau:

• Tháp văn bản — kích thước ẩn 5.120, 64 lớp, 24 đầu truy vấn và 4 đầu KV với số chiều mỗi đầu là 256, chiều rộng mạng truyền thẳng 17.408.

• Bố cục attention — tỷ lệ 3:1 giữa các lớp attention tuyến tính và các lớp attention đầy đủ, lặp lại 16 lần, với M-RoPE xen kẽ và cơ số rotary là 10,000,000.

• Từ vựng và ngữ cảnh — 248,320 token, 262,144 vị trí gốc.

• Tháp thị giác — 27 lớp với kích thước ẩn 1.152, chiếu tới 5.120, kích thước patch là 16 với hợp nhất không gian 2×2.

• Dự đoán nhiều token — mtp_num_hidden_layers được đặt thành 0, tức là đầu MTP đã bị loại bỏ so với backbone Qwen.

Dòng cuối cùng đó là khác biệt cấu trúc duy nhất so với bản gốc. Mọi thứ còn lại — số lớp, hình học đầu, từ vựng, trần ngữ cảnh, độ sâu thị giác — đều khớp với Qwen3.6-27B chính xác. ZwZ2-27B là cùng một thân với một chế độ hậu huấn luyện khác và một đầu giải mã suy đoán đã bị gỡ bỏ.

Điều đó cũng có nghĩa là mô hình không hề nhỏ. Với 27B tham số ở bf16, trọng số vào khoảng 54 GB trải trên hai shard, khiến việc nạp trở nên thoải mái trên một bộ tăng tốc 80 GB hoặc khá chật vật trên hai card 40 GB. Trong kho lưu trữ không có biến thể lượng tử hóa, không có công thức vLLM hay SGLang, và không có ghi chú phục vụ nào ngoài bản hướng dẫn nhanh Hugging Face transformers được ghim ở phiên bản 5.13.1.

Tuyên bố +4.99, và chính xác những gì nó bao gồm

Dòng tít của thẻ là ở chỗ, trên 25 benchmark trong sáu lĩnh vực, mô hình “cải thiện so với mô hình cơ sở của nó trên mọi benchmark”, đưa mức trung bình tổng thể từ 55.52 lên 60.51. Cả hai vế của câu đó đều đúng khi đối chiếu với hình kết quả đã công bố, và cả hai đều cần thêm một lưu ý hạn định.

Điều cần lưu ý là đây là bộ khung kiểm thử của chính inclusionAI, do chính họ lựa chọn benchmark và tự tính điểm, rồi công bố trên kho lưu trữ của chính mình. Không có nội dung nào ở đây được tái lập bên ngoài tổ chức. Đây là một đánh giá của nhà cung cấp theo nghĩa thông thường: hữu ích để xem nhóm đã tối ưu cho điều gì, nhưng không thể dùng như một điểm đánh giá độc lập.

Lưu ý còn lại là quy mô. Mức tăng 4,99 điểm trên trung bình của 25 benchmark là một thay đổi thực sự, nhưng trung bình đó là trung bình độ chính xác trên những tác vụ rất khác nhau, được tính trọng số bằng nhau theo lĩnh vực. Đây không phải là chỉ số năng lực và không bao giờ nên được so sánh với điểm số từ một bộ đánh giá khác.

Dưới đây là phần phân tích chi tiết theo từng lĩnh vực, bản cơ sở so với bản đã tinh chỉnh:

• Nhận thức chi tiết — từ 62,09 lên 67,57, mức tăng 5,48 trên tám bộ chuẩn đánh giá bao gồm VStar, HR-8K và MME-RealWorld.

• Nhận thức không gian — từ 49,72 đến 55,98, mức tăng 6,26 qua sáu bài đánh giá chuẩn.

• Hiểu ngữ cảnh dài — 65,87 lên 68,77, tăng 2,90 trên ba bộ đánh giá chuẩn.

• Suy luận không gian nhập thể — 50,17 đến 55,71, mức tăng 5,54 trên ba bộ đánh giá chuẩn.

• Tác nhân đa phương thức — 49,73 đến 51,81, mức tăng 2,08 trên ba bộ chuẩn đánh giá.

• Suy luận thị giác tổng quát — từ 47,89 lên 53,71, mức tăng 5,82 trên MMStar và BabyVision.

Nơi nào các cải thiện tập trung — và nơi nào mô hình vẫn còn yếu

Hình dạng của bảng đó quan trọng hơn mức trung bình của nó. Những mức tăng tương đối lớn nhất tập trung vào nhận thức không gian và lập luận có thân thể, điều này nhất quán với những gì phương pháp tuyên bố dạy: so sánh, đối chiếu và tổng hợp bằng chứng trên nhiều vùng được đánh dấu của một hình ảnh, sử dụng toàn bộ hình ảnh tại thời điểm suy luận và không gọi thu phóng bên ngoài.

Hai mức cải thiện nhỏ nhất là tác nhân ngữ cảnh dài và tác nhân đa phương thức. Đó cũng là hai lĩnh vực mà mô hình nền vốn đã mạnh nhất so với nhiệm vụ, đây là mô thức thông thường khi tinh chỉnh RL trên một công thức dữ liệu hẹp: nó dịch chuyển những gì tín hiệu phần thưởng có thể nhìn thấy.

Những con số tuyệt đối mới là phần đáng lo ngại hơn khi đọc. Chartography ở mức 12,00. AgentVista ở mức 18,18. Perception-Bench ở mức 44,93. Một mô hình có thể tăng năm điểm tổng thể mà vẫn gần như không dùng được trên một số benchmark riêng lẻ trong bộ, và mô hình này đúng là như vậy. Bất kỳ ai trích dẫn “60,51 tổng thể” như một con số năng lực chung đều đang trích dẫn một mức trung bình che giấu một mức 12.

Công thức huấn luyện giải thích mức trần. EvidenceConnect xây dựng dữ liệu của mình từ các hình ảnh SA-1B bằng cách nhóm ba đến bảy vùng liên quan, tạo câu hỏi với các ảnh cắt phóng to đặc quyền, lọc qua sự đồng thuận giữa các mô hình và các bài kiểm tra loại bỏ một vùng, chuyển đổi thành các tác vụ bốn lựa chọn, và huấn luyện bằng GRPO — cả ba kích cỡ mô hình trên khoảng 20.000 ví dụ, không có giai đoạn tinh chỉnh có giám sát. Đó là một khẩu phần tập trung. Nó đem lại một cách đáng tin cậy khả năng nhận thức ở cấp vùng và không giả vờ đem lại suy luận mở.

Các cột mô hình tham chiếu xứng đáng có một lời cảnh báo

Hình kết quả cũng có ba mô hình API làm điểm tham chiếu: GPT-5.6-Luna ở 54.02, GLM-5.3-Flash ở 57.24 và DeepSeek-V4.1-Flash ở 55.47, so với 60.51 của ZwZ2-27B. Xét bề ngoài, điều đó đặt một checkpoint trọng số mở được tải lên một cách lặng lẽ lên trên ba mô hình sản xuất được lưu trữ.

Có ba điều cần làm dịu cách lý giải đó. Thứ nhất, ràng buộc về phục vụ đã được ghi chú ngay trong chính thẻ: độ phân giải hình ảnh của các mô hình tiên tiến bị giới hạn bởi nền tảng phục vụ của chúng, đây là một bất lợi thực sự trên một bộ benchmark nặng về chi tiết nhỏ. Thứ hai, đây không phải là các đánh giá do chính các nhà cung cấp đó công bố — mà là inclusionAI chạy các mô hình của công ty khác thông qua harness của inclusionAI, không có dấu hiệu nào cho thấy các nhà cung cấp có tham gia hoặc đã xác nhận các con số. Thứ ba, cột GPT được đánh dấu rõ ràng là không được báo cáo đối với một số hàng, vì vậy tập tham chiếu có mật độ không đồng đều.

Không điều nào trong số đó khiến các con số trở nên sai. Nhưng điều đó có nghĩa là chúng là các phép đo của một phòng thí nghiệm về những đối thủ của mình trên một bộ tiêu chuẩn đánh giá mà ở đó mô hình của chính họ đã được tinh chỉnh thêm mười ngày. Hãy coi phần so sánh mô hình cơ sở là phần có ý nghĩa và các cột API là ngữ cảnh.

Còn thiếu gì nữa?

Danh mục trung thực về những điều chưa biết dài hơn danh sách những điều đã biết, và nó bắt đầu từ giấy phép. Phần front matter của model card gắn thẻ mô hình cơ sở, bộ dữ liệu và tác vụ pipeline; nó không khai báo giấy phép. Phần nội dung nói rằng hãy “tham khảo giấy phép đi kèm các trọng số được phát hành và giấy phép backbone áp dụng”, điều này mang tính vòng tròn khi bản thân các trọng số không kèm giấy phép nào. Qwen3.6-27B là Apache-2.0, nên phía backbone đã rõ ràng. Các điều khoản của bản phái sinh thì không, và với một công ty muốn đưa thứ này vào một sản phẩm, chỉ một thiếu sót đó có hệ quả lớn hơn bất kỳ dòng benchmark nào.

Bài báo cũng chưa được công bố. Phần tiêu đề của chính thẻ chứa văn bản giữ chỗ nguyên văn <!-- Replace PAPER_URL with the final v2 paper URL. --> và liên kết đến PAPER_URL. Kho lưu trữ của dự án có tồn tại; còn bài viết mà nó lẽ ra phải trỏ đến thì không.

Ngoài ra:

• Không có bất kỳ đánh giá độc lập nào về ZwZ2-27B, từ bất kỳ ai.

• Không tìm thấy thông báo nào từ nhà cung cấp, bài đăng blog hay bài đăng mạng xã hội nào cho mẫu này.

• Đánh giá được công bố là ở chế độ low/thinking — quickstart của model card chạy với enable_thinking=False và chat template yêu cầu câu trả lời nằm trong thẻ <answer>. Các số liệu ở chế độ thinking không thuộc phạm vi tuyên bố.

• Không có hỗ trợ framework nào ngoài phiên bản Transformers được ghim. Không có GGUF, không có AWQ, không có cấu hình vLLM nào được công bố.

• Thẻ này liệt kê các kiểu lỗi đã biết — chi tiết bịa đặt, đọc nhầm văn bản, lỗi đếm và lỗi về không gian — điều này thể hiện sự thẳng thắn hơn hầu hết các thẻ nhà cung cấp và là một bản tóm tắt xác đáng về việc điểm 12.00 trên Chartography trông như thế nào trong thực tế.

Làm thế nào để đánh giá nó mà không đặt cược bất cứ thứ gì vào nó

ZwZ2-27B không có trong danh mục của chúng tôi, và bài viết này không nên được hiểu là ngụ ý rằng nó có. Để chạy nó ngay hôm nay, bạn phải tải xuống 54 GB trọng số, cài đặt một bản dựng Transformers cụ thể và tự phục vụ nó — đó là một buổi chiều hợp lý nếu bạn đã có phần cứng, và là một cách dùng buổi chiều kém hiệu quả nếu bạn đang cố trả lời một câu hỏi về sản phẩm trong tuần này.

Một lộ trình rẻ hơn là kiểm tra tuyên bố thay vì kiểm tra mô hình. Tuyên bố này hẹp: rằng RL trên một tập dữ liệu so sánh vùng gồm 20K ví dụ giúp một checkpoint Qwen3.6-27B đọc chi tiết nhỏ tốt hơn mà không cần công cụ thu phóng. Nếu đó là nút thắt thực sự của bạn — tài liệu dày đặc, biểu đồ, ảnh chụp màn hình UI, câu hỏi đa vùng — thì mô hình cơ sở là điều kiện đối chứng, và mô hình kế nhiệm của nó đã có thể định tuyến tại đây: Qwen3.8-27B và Qwen3.5-27B đều có trên OrcaRouter dưới một khóa, cùng với hơn 200 mô hình khác ở giá niêm yết của nhà cung cấp mà không có phụ phí. Nếu một ZwZ2-27B tự lưu trữ hóa ra đáng để áp dụng, bạn có thể đặt nó trên cùng khóa và để chuyển đổi dự phòng tự động quyết định giữa nó và một mô hình tổng quát được lưu trữ thay vì viết lại tích hợp.

Điều có thể đưa thứ này từ “một bản tải lên thú vị” thành “một mô hình có thể đưa vào sử dụng” là một danh sách ngắn. Một giấy phép có tên cụ thể. Một bài báo cho phép ai đó kiểm tra cách xây dựng benchmark. Một lần chạy độc lập — dù chỉ là một phần — trên các benchmark không do nhà cung cấp tự chọn. Và một thông báo, thứ mà sau mười một ngày im lặng đang bắt đầu trông giống như một sự vắng mặt có chủ đích hơn là một sơ suất.

Cho đến lúc đó, tuyên bố có thể bảo vệ được là hẹp và đáng nói thẳng: một checkpoint 27B không có tài liệu từ inclusionAI đã nằm trên Hugging Face từ ngày 16 tháng 10, và tính đến ngày 26 tháng 10, các tác giả của nó sẵn sàng tuyên bố cải thiện năm điểm so với Qwen3.6-27B trên một bộ benchmark do chính họ xây dựng. Đó là một giả thuyết gắn với các trọng số. Nó chưa phải là một kết quả.