ZwZ2-27B：权重于10月16日落地，解释十天后才到

ZwZ2-27B自2026年10月16日起可从 Hugging Face 下载。在其公开后的前十天里，没有公告、没有论文、没有 README，也没有声明许可证——只有 inclusionAI 下的两个 bf16 safetensors 分片，以及一个没有说明其存在理由的仓库。10月26日，模型卡出现了。它称该模型是一个基于 Qwen3.6-27B 构建、经强化学习训练的视觉语言系统，并公布了一项包含 25 个基准的评估，其中该模型总体上比该基础模型高出 4.99 分。

这就是全部的新内容，而且值得把它和人们会以为发生的事情区分开来。这不是一次发布。权重已经有十一天了，而供应商仍未宣布它们。本周的变化在于，我们终于能看出 inclusionAI 认为这个模型是做什么用的。

按日期来看，实际发生了什么变化

仓库自身的提交历史是现有最清晰的证据，而且它并不为这个故事增色。三次提交承载了一切：

• 10月16日 05:42 UTC — 首次提交，十分钟后提交了“添加 ZwZ2-27B 模型权重”。包含配置、分词器、处理器和两个权重分片。没有 README。

• 10月26日 02:58 UTC — “创建 README.md”。这是该模型的首份书面描述，出现在权重发布十天之后。

• 10月26日至27日——在汇总基准数值和图像资源的过程中，README 经过了多次修订，并进行了六文件上传。

截至撰写本文时，该仓库显示有七次下载和零个点赞。配套的 GitHub 项目 inclusionAI/Zooming-without-Zooming-v2创建于 10 月 14 日，只有一个星标。用英文搜索该模型名称，返回的结果都是关于较早的 ZwZ-2B/4B/8B 系列以及 10 月 16 日的 ZwZ2-9B 的报道，而关于 27B 则完全没有内容。如果这里真的发生过发布，那也是在无人关注的情况下发生的。

配置文件中的模型

配置文件是任何发布版本中最不起眼却最可靠的部分。这份配置文件描述了一个稠密视觉语言模型，其架构声明为 Qwen3_5ForConditionalGeneration——与 Qwen 自家模型使用的同一个类——具体数字如下：

文本塔 — 5,120 隐藏大小，64 层，24 个查询头和 4 个 KV 头，头维度为 256，前馈宽度为 17,408。

• 注意力布局——线性注意力层与全注意力层按 3:1 的比例配置，重复 16 次，并交错使用 M-RoPE，旋转基数为 10,000,000。

• 词汇与上下文 — 248,320 个词元，262,144 个原生位置。

• 视觉塔——27 层，隐藏维度 1,152，投影至 5,120，patch 大小 16，采用 2×2 空间合并。

• 多 token 预测 —— mtp_num_hidden_layers 设置为 0，即相对于 Qwen 主干，MTP 头已被移除。

最后一行是与基座相比唯一的结构性差异。其余所有方面——层数、注意力头几何结构、词表、上下文上限、视觉深度——都与Qwen3.6-27B完全一致。ZwZ2-27B 是相同的主体，只是采用了不同的后训练方案，并去掉了一个投机解码头。

这也意味着该模型并不小。在 bf16 下拥有 270 亿参数时，权重约为 54 GB，分布在两个分片中，这使得它可以舒适地加载到单个 80 GB 加速器上，或在两块 40 GB 显卡上以较紧张的方式加载。仓库中没有量化版本，没有 vLLM 或 SGLang 方案，除了固定到 5.13.1 版本的 Hugging Face transformers 快速入门之外，也没有任何部署说明。

关于 +4.99 的说法，以及它究竟涵盖哪些内容

这张卡片的核心标题是：在六个领域的 25 个基准测试中，该模型“在每一个基准测试上都优于其基础模型”，并将总体平均值从 55.52 提升到 60.51。这句话的两部分都与已公布的结果图相符，而且两部分都需要加上限定条件。

需要说明的是，这是 inclusionAI 自己的评测框架、自己选定的基准和自己给出的评分，并且发布在自己的代码仓库上。这里的内容没有在该组织之外被复现过。按通常意义来说，这就是厂商自评：它有助于看出这个团队针对什么做了优化，但不能当作独立评级来使用。

另一个限定条件是规模。在25个基准平均值上提升4.99分是真实变化，但该平均值是差异极大的任务准确率的平均，并按领域等权。它不是能力指数，绝不应与不同套件的分数进行比较。

以下是按领域划分的明细，基础版与调优版对比：

• 细粒度感知 — 从 62.09 提升至 67.57，在包括 VStar、HR-8K 和 MME-RealWorld 在内的八项基准测试中提升了 5.48。

• 空间感知——49.72 至 55.98，在六项基准测试中提升了 6.26。

• 长上下文理解——65.87 至 68.77，在三个基准测试中提升了 2.90。

• 具身空间推理——从 50.17 提升到 55.71，在三个基准测试上共提升 5.54。

• 多模态智能体——49.73 至 51.81，在三个基准测试上提升了 2.08。

• 通用视觉推理——从 47.89 提升至 53.71，在 MMStar 和 BabyVision 上提升了 5.82。

收益集中在何处——以及模型仍然薄弱之处

这张表的整体形态比它的平均值更重要。最大的相对提升出现在空间感知与具身推理两个方面，这与该方法声称要教授的内容一致：对同一张图像中多个被标记区域之间的证据进行比较、匹配与汇总，在推理时使用完整图像，且不调用任何外部缩放操作。

最小的两项增益是长上下文和多模态智能体。这两个领域也正是基础模型相对于该任务原本就最强的领域，而这是用狭窄数据配方进行强化学习微调的常见模式：它只会改变奖励信号所能看到的部分。

绝对数字读起来更令人警醒。Chartography 为 12.00。AgentVista 为 18.18。Perception-Bench 为 44.93。一个模型可以在总体上提升五分，但在该集合中的若干单项基准上仍近乎不可用，而这个模型正是如此。任何把“总体 60.51”当作通用能力指标来引用的人，引用的都是一个掩盖了 12 的平均值。

训练配方解释了这一上限。EvidenceConnect 基于 SA-1B 图像构建数据：将 3 到 7 个相关区域分组，利用特权式放大裁剪生成问题，通过跨模型一致性和逐一移除区域测试进行过滤，转换为四选项任务，并使用 GRPO 训练——三个模型规模均使用约 20,000 个样本，且没有监督微调阶段。这是一种聚焦的训练数据配方。它能可靠地获得区域级感知能力，并不假装能获得开放式推理能力。

参考模型那几列值得提个醒。

结果图表中还列出了三个 API 模型作为参考点：GPT-5.6-Luna 为 54.02，GLM-5.3-Flash 为 57.24，DeepSeek-V4.1-Flash 为 55.47，而 ZwZ2-27B 为 60.51。从表面上看，这使得一个悄然上传的开放权重检查点高于三个托管的生产模型。

有三点应当让这种解读有所保留。第一，卡片本身已经指出了服务部署限制：先进模型的图像分辨率受到其服务平台的限制，而在一个偏重细节的基准集上，这确实是一个明显劣势。第二，这些并不是那些厂商自己发布的评测——而是 inclusionAI 用 inclusionAI 的评测框架运行其他公司的模型，且没有迹象表明厂商参与其中或确认了这些数字。第三，GPT 列在某些行被明确标注为未报告，因此参考集的数据填充并不均衡。

这些都不会让这些数字变错。这确实意味着，它们是一家实验室在一套基准测试上对其竞争对手所做的测量，而该实验室自己的模型多做了十天的调优。把基础模型对比当作有意义的比较，把 API 各列当作背景信息。

还缺少什么

未知项的如实清单比已知项清单更长，而且它从许可证开始。模型卡的前置元数据标明了基础模型、数据集和流水线任务；它并未声明许可证。正文说“参考随已发布权重提供的许可证以及适用的骨干模型许可证”，当权重本身并未附带许可证时，这就是循环论证。Qwen3.6-27B 是 Apache-2.0，因此骨干模型这一侧是清楚的。衍生物的条款则不清楚，而对于一家想把它作为产品发布的企业来说，这一处遗漏比任何基准测试行都更有后果。

论文也尚未发布。卡片自身的页眉中包含字面占位文本 <!-- Replace PAPER_URL with the final v2 paper URL. -->，并链接到 PAPER_URL。项目仓库确实存在；但它本应指向的那份说明文档却并不存在。

除此之外：

• 任何人都尚未对 ZwZ2-27B 开展过独立评估。

• 未找到该型号的厂商公告、博客文章或社交媒体帖子。

• 已发布的评测为低/思考模式——模型卡的快速开始使用 enable_thinking=False 运行，聊天模板要求在 <answer> 标签内给出答案。思考模式的数字不属于该声明的一部分。

• 除固定版本的 Transformers 外，不支持任何其他框架。不支持 GGUF，不支持 AWQ，也没有已发布的 vLLM 配置。

• 该卡片列出了已知的失败模式——虚构细节、误读文本、计数和空间错误——这比大多数供应商卡片所提供的更为坦诚，也公允地概括了在 Chartography 上得到 12.00 分在实际中是什么样子。

如何在不为此押上任何东西的情况下评估它

ZwZ2-27B 并不在我们的目录中，本文也不应被理解为暗示它已在列。若想如今就运行它，你需要下载 54 GB 的权重文件，安装特定版本的 Transformers 构建，并自行部署服务——如果你已经拥有相应的硬件，这不过是一个下午的合理投入；但如果你只是想在本周回答一个产品问题，那就很不划算。

更省钱的顺序是先检验这一主张，而不是检验模型。这一主张很具体：在包含 2 万个示例的区域比较数据集上进行 RL，能让 Qwen3.6-27B 检查点在不使用缩放工具的情况下更好地读取细节。如果这确实是你遇到的瓶颈——密集文档、图表、UI 截图、多区域问题——那么基础模型就是对照条件，而它的后继模型已经可以在这里路由：Qwen3.8-27B 和 Qwen3.5-27B 都位于 OrcaRouter 上，共用一个密钥，并与200 多个其他模型一起，按提供商标价提供，无加价。如果自托管的 ZwZ2-27B 最终值得采用，你可以把它放到同一个密钥下，让自动故障转移在它和托管通用模型之间做决定，而不必重写集成。

要把这东西从“有趣的上传”变成“可采用的模型”，所需的只是一份简短清单。一份具名许可证。一篇能让人核查基准构建方式的论文。一次独立运行——哪怕是部分运行——且跑在并非由厂商选择的基准上。还有一份公告；在十一天沉默之后，这开始看起来像是刻意缺席，而非疏忽。

在此之前，站得住脚的说法很有限，但值得直说：来自 inclusionAI 的一个没有文档说明的 27B 检查点自 10 月 16 日起就一直挂在 Hugging Face 上，而截至 10 月 26 日，其作者愿意声称，在他们自己构建的基准测试套件上，它比 Qwen3.6-27B 提升了五个百分点。这是一个附带了权重的假设。它还不是结果。