ZoomGain-9B 与 Qwen 3.8 8B：Qwen3.8-8B 并不存在，而这正是本文要说的

搜索“Qwen 3.8 8B”，你会找到对比页面、下载链接，以及六篇左右把它当作已发布模型来讨论的文章。但它并不是。阿里巴巴的 Qwen3.8 代包含四个开放检查点——Qwen3.8-27B、其 FP8 构建版、Qwen3.8-2.4T-A95B 和 Qwen3.8-Flash-Next——其中没有一个是 8B。Qwen 产品线中的 8B 位置由 Qwen3-8B 占据，这是来自 2025 年 Qwen3 代的模型，架构不同、分词器不同、时代也不同。因此，这场对比的诚实版本，是 ZoomGain-9B——inclusionAI 于 2026 年 11 月 10 日发布的 9B 视觉语言检查点——与两个在可比规模下确实存在的 Qwen 模型之间：Qwen3.8-27B，3.8 代中最小的稠密成员，270 亿参数；以及 Qwen3.5-9B，即 ZoomGain-9B 进行后训练所基于的主干模型。

这次更正并不是一个可以在进入有趣部分之前随手排除掉的技术细节。它改变了答案。Qwen3.5-9B 是 ZoomGain 训练所基于的基础模型，因此它是整个发布中最接近受控实验的东西：相同的权重、相同的架构、相同的分词器，只差 9,000 个 RL 样本。Qwen3.8-27B 的规模是三倍，并且新了两代；如果你今天想要一个 Q​wen 端点，它才是你实际会选择、而不是选择 ZoomGain 的模型。与两者同时比较，能告诉你那个 phantom 8B 永远无法提供的信息。

为什么这个幽灵条目会存在

命名并非随意。Qwen 于 2026 年 8 月 5 日和 8 日发布了 27B 与 2.4T-A95B，随后于 8 月 24 日发布了 Flash-Next。上一代 Qwen3.5 有 9B 和 4B；Qwen3.6 有 27B 和 35B-A3B。自 Qwen3 以来的每一代都包含一个小型稠密模型，而 3.8 代是第一个跳过它的。任何从前三个版本中寻找规律的人，都会合理地预测出 Qwen3.8-9B，而 Qwen3.8-8B 与这一预测只差一位数字。

真正填补这一空白的是社区蒸馏。Qwen3.8-9B-Distill 检查点在 27B 发布后一周内就由独立实验室发布到了 Hub 上，随后又出现了这些衍生模型的衍生模型。它们是基于 Qwen3.8 输出训练的小模型，而不是 Qwen3.8 模型。如果你找到的某个页面在描述“Qwen 3.8 8B”并附有基准测试数据，最可能的解释是：它描述的是上述模型之一，或者它什么也没描述。

实际影响是：如果你需要一个小型 Qwen 系列模型，目前真正可选的方案是 9B 的 Qwen3.5-9B 和 4B 的 Qwen3.5-4B，两者均发布于 2026 年 2 月，均采用 Apache 2.0 许可，且都仍位列 Hub 上下载量最高的模型之列。ZoomGain-9B 基于前者构建。

这次发布意外提供的对照实验

Qwen3.5-9B 与 ZoomGain-9B 的配置形态相同：32 层，隐藏维度 4,096，中间维度 12,288，16 个查询头对应 4 个 KV 头，头维度为 256，最大位置数为 262,144，并且同样采用线性 DeltaNet 与完全注意力 3:1 的配比方案。视觉塔沿用基础模型的。架构方面没有任何改动。

变化的是后训练。ZoomGain 对通过挖掘裁剪细节生成的 9,000 个问题应用了 GRPO，训练一个 epoch，每个问题进行八次 rollout。这就是全部干预，而它在 ZoomGainBench 上测得的效果是从 32.13 到 55.48——在一个与训练数据由同一流程构建的基准上提升了 23.35 分，论文诚实地将其标注为“Held-in”。

经得起这一限定条件的数字，是训练从未见过的十三个基准上的留出平均值：Qwen3.5-9B 为 59.75，ZoomGain-9B 为 66.10。在相同权重上，9,000 个样本带来了 6.35 个百分点的提升。在本次发布所针对的特定系列中，差值更大：HR-Bench 4K 从 82.13 提升到 90.25，V*Bench 从 86.91 提升到 93.19，VisualProbe 从 44.66 提升到 56.31。

• 有趣的负面结果——MMStar 从 71.73 升至 73.87，BabyVision 从 15.98 升至 17.53。通用多模态能力几乎没有变化。这次训练换来了对精细细节的把握，除此之外收获不大，而这正是 9,000 个样本的定向 RL 训练应有的效果。

• 坦诚的说明——以上所有内容均为作者在其自建评测框架上自行报告的。蚂蚁集团（Ant Group）之外，尚无任何人复现过该结果。评测器和基准都是公开的，因此本可核查，但目前尚未经过核查。

Qwen3.8-27B，以及将其放入同一张表格的那一行

这里的比较就变得切实了，因为 ZoomGain 论文确实在其自己的基准上评估了 Qwen3.8-27B。27B 在 ZoomGainBench 上的总分为 44.81——落后于 Kimi-K3 的 48.65，落后于 Qwen3.8-Flash-Next 的 55.05，也落后于表中所有闭源前沿模型。按这一衡量标准，它是一个能力合格但表现平平的细粒度细节感知器。

把这一点与 ZoomGain-9B 在同一测试上的 55.48 放在一起看，数字对比就很惊人：一个 9B 模型比同系列的 27B 模型高出 10.7 分，而且是在两家厂商的营销都不会选择的基准上。但这正是那种必须附上 held-in 标签的比较，而论文也确实附上了。ZoomGainBench 是由构建 ZoomGain 训练数据的同一流水线构建的。在该流水线的问题上训练过的模型已经见过这一分布；在该基准上评估的模型则没有。10.7 分的差距说明的是分布拟合，而不是能力。

在两者可以不受那种失真影响进行比较的地方，情况发生了反转。Qwen3.8-27B 自己的模型卡报告称，Terminal Bench 2.1 为 73.0，SWE-bench Pro 为 61.7，LiveCodeBench v6 为 90.3，GPQA Diamond 为 89.2，HLE 为 30.8。ZoomGain-9B 未在这些基准中的任何一项上接受评估，也不应预期它表现良好：其训练从未涉及代码、终端任务或研究生水平的科学。Qwen3.8-27B 还原生支持图像和视频，提供 262,144 个 token 的上下文并可扩展至一百万，且通过 `reasoning_effort` 支持思考控制——这是 ZoomGain-9B 完全不具备的能力，因为其评估是在禁用思考的情况下运行的。

• 规模与结构 — Qwen3.8-27B 为 27B 稠密模型，拥有 64 层、隐藏维度 5,120、中间维度 17,408，并带有一个 1 层的多 token 预测头。ZoomGain-9B 约为 9.4B，32 层，隐藏维度 4,096。

可用性——Qwen3.8-27B 有 740 万次下载、Apache 2.0 许可证、FP8 和 GGUF 构建，以及一个托管端点。ZoomGain-9B 没有托管端点，在 Hub 上的提供商映射为空，许可证信息被延后到一张没有许可证标签的模型卡上，而其除 BF16 之外唯一的分发形式是 11 月 11 日的 GGUF 构建。

• 发布日期——Qwen3.8-27B：2026年8月5日，全面发布，并附带一篇博客文章和一份技术报告。ZoomGain-9B：2026年11月10日，只有一篇论文和一个代码仓库，别无其他。三个月的间隔，不如其中一个自八月起便已投入生产使用这一事实重要。

每条路线的价格，以及我们实际能卖给您的那一条

Qwen3.8-27B 已收录于 OrcaRouter 目录，价格为每百万输入 token 0.33 美元、每百万输出 token 2.40 美元，上下文长度为 262K，支持文本、图像和视频输入，并且在提供商的标价上零加价——我们模型页面上显示的数字就是 Qwen 收取的数字，原样传递，因此供应商调价当天就会在这里生效，而不是等到重新定价周期之后。同一个密钥也可用于 Qwen3.8-Flash 和 Qwen3.8-Max（如果 27B 尺寸不合适的话），而且故障转移意味着，停滞的端点会在响应开始前向提供商重试，而不是在你的请求超时之后才重试。

ZoomGain-9B 不在目录中，也无法通过我们调用。它是 18.82 GB 的 BF16，或在 Q4_K_M 下为 5.63 GB，外加一个 0.52 GB 的 mmproj 投影器；它在 vLLM 0.19.1 搭配 transformers 5.7.0 下提供服务，或在支持 Qwen3.5 多模态的 llama.cpp 构建下提供服务。Qwen3.5-9B 本身也不在目录中，这一点值得直说：这个对比中便宜的托管版本，在我们这边同样不存在。

如果你的实际问题是“我是否应该运行 ZoomGain-9B，而不是付费使用 Q​wen 端点”，那么从成本对比来看，无论朝哪个方向，两者都并不接近，也不需要接近。对于几乎任何你会称为“偶尔使用”的用量，一个每百万输入 token 收费 0.33 美元的 27B 稠密模型，都比自购一块 GPU 更便宜。只有当用量很高、数据不能离开你的网络，或者任务恰好是这个 9B 模型专门训练的那一项狭窄任务时，自托管 9B 才会胜出。

当“幽灵模型”本会发挥作用时

Q​wen 产品阵容中确实存在一个空白，这一点值得点明，因为它解释了为什么这么多人搜索过这一组合。一个 9B 稠密模型，具备 262K 窗口和 Qwen3.8 代词汇表，售价接近 Qwen3.5-9B，本会是图像密集型流水线显而易见的预算之选——比 27B 更便宜，比 4B 更强，而且小到可以单卡自托管。Q​wen 并未推出这样一款模型，因此目前这个位置要么由较旧的 Qwen3.5-9B 填补，要么由没有厂商背书的社区蒸馏模型填补。

ZoomGain-9B 也不是那款模型，而这一区别很重要。它是一个感知领域的专用模型，带有研究许可方面的问题，也没有托管路径，并不是通用型的小型 Qwen。如果你从“Qwen 3.8 8B”那里想要的是一个廉价的通用模型，那么 ZoomGain-9B 除了精细细节之外，在其他所有方面都会让你失望。如果你想要的是一款能在 4K 照片中找到序列号的模型，那么它是少数专门为此构建的小型检查点之一。

对于通用场景，现实可行的替代方案是托管版 Qwen3.5 系列——35B-A3B 每百万输入 token 0.057 美元，27B 为 0.086 美元——它们占据了原本由缺失的 8B 填补的预算档位，但体积更大，并且提供真实端点。对于感知场景，我们无法提供托管替代方案：Qwen3-VL-8B-Instruct 每百万 token 输入 0.18 美元、输出 0.70 美元，可接受图像输入，并可作为替身来测试你的错误是否属于细节错误，但它并未按 ZoomGain 的方式训练，在裁剪图上无法与之匹敌。

具体来说，这个该怎么处理？

如果你来这里是想看 ZoomGain-9B 与 Qwen3.8-8B 的对比结论，那结论就是：对手根本不存在，任何给你结论的页面都凭空捏造了这场对比的一半。真正的问题要窄得多，而且两个问题今天都能回答。

第一个问题：Qwen3.5-9B 的 9B 微调版本在细粒度感知上是否优于 Qwen3.5-9B？根据作者给出的数字，答案是肯定的：在留出集上高出 6.35 分，而在训练所针对的基准上高出更多。对于 9,000 个样本来说，这是一个很强的结果，也是此次发布中最有意思的部分。

问题二：在你关心的任何事情上，ZoomGain-9B 都比 Qwen3.8-27B 更好吗？就通用能力而言，并非如此——27B 更新、更大、文档更完善、已获得许可、提供托管服务，并且在多得多的维度上接受过评估。在基于 ZoomGain 自身训练分布构建的基准上，它高出 10.7 分，这只能说明训练起了作用，却完全不能说明你该买哪个模型。

接下来的决定并不光鲜。通用工作请使用托管式 Q​wen 模型，因为它每百万输入 token 收费 $0.33，而且只需一次 API 调用即可使用。只有当你有一项需要精细处理的特定任务、一块 GPU，以及一位读过供应商尚未发布许可证文件的律师时，才下载 ZoomGain-9B。