ZwZ2-27B 对比 Qwen3.8-27B：同一骨架，两种截然不同的押注

奇怪的是，ZwZ2-27B与Qwen3.8-27B这两个模型其实是同一台机器。打开两个配置文件，数字逐行对齐：64 层、5,120 隐藏维度、24 个查询头对 4 个 KV 头（维度为 256）、17,408 的前馈宽度、248,320 个 token 的词表、262,144 个位置，以及隐藏大小为 1,152 的 27 层视觉塔。它们甚至声明了相同的架构类。将它们区分开的不是宽度或深度，而是每个实验室此后对这具“躯体”做了什么——而且到目前为止，还没有人让它们正面对决，以弄清哪种选择胜出。

首先要明确说明的是这种缺失。inclusionAI 公布的 ZwZ2-27B 评估将其与 GPT-5.6-Luna、GLM-5.3-Flash 和 DeepSeek-V4.1-Flash 进行比较。它没有纳入 Qwen3.8-27B，也没有纳入任何比 ZwZ2 所基于的 Qwen 模型更新的 Qwen 模型。就 Qwen 而言，它从未提到过 ZwZ2。下面的每个数字，要么是一家实验室在衡量自己，要么是 Qwen 在衡量自己；没有任何第三方将两者放进同一个评测框架中。

同样的骨架，逐行。

值得精确说明它们到底有多接近，因为通常“27B 对 27B”的说法低估了这一点。它们并不是两个恰好落在相似规模上的模型；它们是同一个可互换架构上的两次后训练运行。

• 参数量——两者均为 27B，均为稠密模型，两种配置均未采用专家混合路由。

• 深度与宽度 — 64 层，5,120 隐藏维度，17,408 中间维度，两个文件中完全一致。

• 注意力 — 24 个查询头、4 个 KV 头、头维度 256、部分旋转因子 0.25、旋转基数 10,000,000。

• 层调度——一种 3:1 的线性到全注意力模式，重复 16 次，两者皆采用。

• 词汇量与上下文——两者均为 248,320 个 token 和 262,144 个原生位置。

• 视觉塔——27 层，隐藏大小为 1,152，投影到 5,120，两者皆如此。

实际后果是，硬件问题对两者来说是同一个问题。bf16 精度下大约 54 GB 的权重，一张 80 GB 的卡可以宽松运行，或者两张 40 GB 的卡勉强运行。两者都不是能在笔记本电脑上跑的模型，而且两者各自的仓库里都没有量化版本——Qwen 的生态会产出这些，而 ZwZ2 几乎完全没有生态。

唯一不同的一行，以及两个更重要的默认值

从结构上看，只有一处分歧：Qwen3.8-27B 将 mtp_num_hidden_layers 设为 1，保留了一个多 token 预测头，而 Qwen 称该头是以多步方式训练出来的。ZwZ2-27B 则将其设为 0。inclusionAI 的模型已经把投机解码头切掉了——当你的训练流程用不到它、而你更愿意交付一个更小更简单的产物时，你做的就是这件事。这只是打理上的差别，不是设计上的表态。

默认设置才是这两个模型真正分道扬镳的地方，它们对你集成工作的影响将超过任何配置值。

思考。 Qwen3.8-27B 默认会在回答前进行思考，提供三个努力级别，默认级别为 xhigh，并且可以通过 preserve_thinking 保留先前轮次的推理上下文。ZwZ2-27B 的文档说明其处于非思考模式：其快速入门传入 enable_thinking=False，其聊天模板要求模型将最终答案放在 <answer> 标签内，并且整个 25 项基准测试评估都是以这种方式进行的。如果你的流水线期望单次响应，ZwZ2-27B 开箱即用就是为你设计的。如果你希望模型在五十步任务中进行深思熟虑，Qwen3.8-27B 具备相应的机制，而 ZwZ2-27B 的模型卡并未声称具备任何此类机制。

模态。Qwen3.8-27B 有文档说明其支持图像和视频理解，视频采样通过服务层控制。ZwZ2-27B 的配置中包含 video_token_id，但其模型卡和评估完全围绕静态图像与区域对比展开。在 inclusionAI 方面，视频能力尚属未经验证。

每一方实际上能证明什么

两家供应商都发布了评估。它们不具可比性，原因不在于营销——而在于这两套评估衡量的东西不同。

ZwZ2-27B 的主张体现在六个感知领域的 25 个基准上，由 inclusionAI 评分，使其自身基线从 55.52 提升至 60.51。最强的绝对数值出现在细粒度感知（领域平均分 67.57）和长上下文理解（68.77）中，最弱的是 Chartography，为 12.00，以及 AgentVista，为 18.18。

Qwen3.8-27B 公布的表格是一个包含视觉部分的文本与智能体套件，Qwen 用它与其前代进行了对比。Qwen3.8-27B 与 Qwen3.6-27B 之间的某些差距巨大：

• 智能体终端编程——Terminal Bench 2.1 得分 73.0，而 Qwen3.6-27B 为 63.4。

• 软件工程 — QwenSWEBench 为 79.0，对比 49.3；DeepSWE 1.1 为 42.2，对比 13.3。

• 计算机使用 — OSWorld-Verified 为 84.3，相较 63.9；WebArena-Verified 为 64.8，相较 48.8。

• 移动端使用 — AndroidWorld 为 81.9，对比 70.3。

• 多模态软件工程 — SWE-MM 达 38.6；RecreationBench 达 47.1，对比 29.8。

• 科学推理——GPQA Diamond 为 89.2，对比 87.8；HLE 为 30.8，对比 24.0。

这些是 Qwen 在自己的评测框架上给出的自家数据，而它们说明了一件很简单的事：3.8 这一代相对于 3.6 并不是一小步提升。在智能体软件任务上，提升是以几十个百分点来衡量的，而不是个位数。

为什么 +4.99 相对于 3.6 不是一个约为 3.8 的数字

这是比较中的陷阱，而且很容易掉进去。ZwZ2-27B 的主要提升是相对 Qwen3.6-27B 的 +4.99。在 Qwen 的测试套件上，Qwen3.8-27B 是比 Qwen3.6-27B 强得多的模型。那种诱人的推断——即 ZwZ2 的提升缩小了差距——并不成立，而且有一个机制上的原因使它无法被检验。

不能跨不同评测轮次相减。ZwZ2-27B 的 60.51 是其在 inclusionAI 选定的 25 个感知基准上准确率的平均值；Qwen3.8-27B 的数字则是 Qwen 选定的另一组不同基准上的得分。一个模型在某套基准上得 60.51，另一个模型在完全不同的任务上得 84.3，这并不能说明它们的相对排名；任何把这些数字放进同一列的文章，都是在凭空制造一个没有人实际测量过的排名。

可以说得更具体，这样范围更窄，但仍然有用。ZwZ2-27B 是针对一个后来已被 Qwen 取代的模型所做的定向干预；这种干预有记录的幅度是：在感知均值上为五个点。这一幅度与 Qwen 自己在视觉任务上若干 3.6 到 3.8 的差值处于同一数量级，并且远小于 Qwen 在智能体任务上的差值。这种专业化能否弥合区域级感知上的代际差距，恰恰需要借助共享测试框架来判断。目前还没有人构建过这样的框架。

模型的参考列暗示了为什么可能存在一个答案。 ZwZ2-27B 得分为 60.51，而 inclusionAI 测得 GLM-5.3-Flash 为 57.24、DeepSeek-V4.1-Flash 为 55.47——在一个围绕区域比较构建的测试套件上，它击败了这些托管模型；模型卡指出，先进模型的图像分辨率受到其服务平台的限制。这个结果既关乎这些模型，也同样关乎该测试套件。它不是关于 Qwen3.8-27B 的证据，后者从未参与其中。

对大多数团队来说，许可是在基准测试之前就决定选择的关键因素

Qwen3.8-27B 采用 Apache-2.0 许可证，并在模型卡片的 front matter 中声明；其下载量达数百万，围绕它已形成适配器、微调和量化的生态。ZwZ2-27B 则完全没有声明任何许可证。它的模型卡片指向“随已发布权重一同提供的许可证以及适用的骨干许可证”，而当权重本身不附带任何许可证时，这种说法是循环论证。

对研究团队来说，这只是个脚注。对把模型放进产品里的公司来说，这是决定性的分界线，而且差距并不小。骨干模型采用 Apache-2.0 并不自动为衍生模型授权，因为衍生模型自身的条款尚未说明——这应由法务顾问判断；在 inclusionAI 回答这个问题之前，稳妥的解读是 ZwZ2-27B 尚未获准用于商业部署。缺少论文更加剧了问题：模型卡仍包含字面占位符 PAPER_URL，因此方法描述不过是一份 README 和数据集 schema，仅此而已。

今天你可以叫什么

Qwen3.8-27B 现已在 OrcaRouter 上可路由，只需与目录中其他模型共用同一密钥，并按提供商标价计费、无任何加价——因此，如果 Qwen 调整定价，这里当天就会同步生效，而无需等待一个重新定价周期。其标价为每百万输入 token 0.33 美元、每百万输出 token 2.40 美元，并提供 262,144 个 token 的上下文。这对这类比较至关重要，因为通常更便宜的实验方往往胜出：今天下午你就可以针对自己的工作负载对 Qwen3.8-27B 进行基准测试，无需下载，也无需 GPU。

ZwZ2-27B 不在我们的目录中，如果把这层意思说得更委婉，那就是不诚实。它是一个 54 GB 的自托管产物，没有许可证，也没有提供部署运行方案，唯一能评估它的方式就是实际运行它。如果它日后在你的技术栈中赢得一席之地，那么路由层就是两者交汇的地方——单一端点、自动故障转移，以及一项策略：把区域对比流量发送给专用模型，其余流量发送给通用模型，而不是进行重写。

哪一个，按工作量来看

Qwen3.8-27B 几乎是所有场景下都站得住脚的默认选择。智能体编程、长周期工具调用、计算机与浏览器控制、通用推理、视频——这些正是它公开数据中提升最大的领域，而且它是两者中唯一一个你今天就能合法发布并切实部署的模型。

ZwZ2-27B 面向的场景更窄：你已经在运行一条 Qwen3.6-27B 级别的流水线，瓶颈在于文档、图表或界面截图中的细节测量，而往推理循环里加入缩放与裁剪的工具调用又让你觉得不划算。这正是 inclusionAI 声称要解决的问题——在训练阶段学习跨标记区域的比较，使推理时无需任何工具。如果在你自己的测试框架中，基础模型就是对照条件，那么用本地测试将 ZwZ2-27B 与其对比，就是一个成本低且定义明确的实验。

站不住脚的是，把厂商的60.51当作通用能力得分，或把它与任何Qwen3.8的数值相比较，仿佛两者处在同一尺度上。它们并非如此，而能为此定论的模型——一个由无利益相关者运行的共享评测框架——尚未公布，正如ZwZ2-27B本身也尚未公布一样。

这个比较真正引出的三个问题

ZwZ2-27B 是否只是经过额外训练的 Qwen3.6-27B？在架构上确实如此，连层调度和视觉塔都一致，只是移除了多 token 预测头。在行为表现上，这取决于 inclusionAI 仅在一份 README 层面描述过的后训练配方：由三到七个区域组成的区域组、从特权裁剪图生成的问题、通过跨模型一致性和逐一剔除区域测试进行过滤，然后在约 20,000 个样本上做 GRPO，且没有监督微调阶段。那只是对方法的描述，而不是复现。

ZwZ2-27B 的增益在感知任务上面对 Qwen3.8-27B 时还能站得住脚吗？未知，而且从现有记录中无法得知。Qwen3.8-27B 的视觉部分侧重计算机使用、浏览器使用和多模态软件工程，而非区域级比较，因此即便是 Qwen 自己的表格也无法回答 ZwZ2 的说法所提出的问题。

思考模式的默认设置会改变比较结果吗？会，而且影响比基准测试差距所显示的更大。ZwZ2-27B 被评估并记录为单次生成、非思考型模型；Qwen3.8-27B 则围绕可调节的推理力度构建。对于对延迟敏感的感知调用，这有利于 ZwZ2-27B 的设计；而对于任何需要深思熟虑的任务，则有利于 Qwen3.8-27B 的设计——但两者是在不同的生成设置下测量的，因此基准测试数字也包含了这一差异。