ZoomGain-9B 對比 Qwen 3.8 8B：根本沒有 Qwen3.8-8B，而這就是本文

搜尋「Q​wen 3.8 8B」，你會找到比較頁面、下載連結，還有半打文章把它當成已正式推出的模型。但它並不是。阿里巴巴的 Q​wen3.8 世代包含四個開放檢查點——Qwen3.8-27B、其 FP8 版本、Qwen3.8-2.4T-A95B 與 Qwen3.8-Flash-Next——而其中沒有任何一個是 8B。Q​wen 產品線中的 8B 席位由 Qwen3-8B 佔據，這是來自 2025 年 Q​wen3 世代的模型，擁有不同的架構、不同的分詞器，以及不同的時代。因此，這場對比如實說來，是 ZoomGain-9B（inclusionAI 於 2026 年 11 月 10 日發布的 9B 視覺語言檢查點）與兩個真正存在於相近規模的 Q​wen 模型之間的比較：Qwen3.8-27B，3.8 世代中最小的稠密模型，擁有 270 億參數；以及 Qwen3.5-9B，也就是 ZoomGain-9B 進行後訓練所依據的主幹模型。

那個更正不是在進入有趣部分之前可以先排除掉的技術細節。它會改變答案。Qwen3.5-9B 是 ZoomGain 訓練所基於的基礎模型，因此它是整個發布中最接近對照實驗的東西：相同權重、相同架構、相同分詞器，差異只在 9,000 個 RL 樣本。Qwen3.8-27B 的規模是三倍、世代新兩代，而且如果你今天想要一個 Q​wen 端點，你實際會選擇的就是它，而不是 ZoomGain。與兩者比較能告訴你那個幻影 8B 永遠無法告訴你的事。

為什麼幽靈條目究竟會存在

命名並非隨機。Qwen 於 2026 年 8 月 5 日和 8 日發布了 27B 與 2.4T-A95B，接著在 8 月 24 日發布 Flash-Next。前一代 Qwen3.5 有 9B 和 4B；Qwen3.6 有 27B 和 35B-A3B。自 Qwen3 以來的每一代都包含一個小型稠密模型，而 3.8 世代是第一個略過這類模型的世代。任何依照前三次發布進行模式推斷的人，都會合理預測會有 Qwen3.8-9B，而 Qwen3.8-8B 與那個預測只差一個數字。

真正填補這個空缺的是社群蒸餾。Qwen3.8-9B-Distill 檢查點在 27B 發布後一週內，由獨立實驗室出現在 Hub 上，而那些衍生物的衍生物也隨後出現。它們是以 Q​wen3.8 輸出訓練的小型模型，不是 Q​wen3.8 模型。如果你找到的頁面正在描述帶有基準測試數字的「Q​wen 3.8 8B」，最可能的解釋是：它描述的是上述其中一個，或者它什麼也沒描述。

實際影響是：如果你需要一個小型 Qwen 系列模型，目前真正可選的是 9B 的 Qwen3.5-9B 與 4B 的 Qwen3.5-4B，兩者皆出自 2026 年 2 月，皆採用 Apache 2.0，且都仍位居 Hub 上最多人下載的模型之列。ZoomGain-9B 就是建構在兩者中的前者之上。

這次發佈意外提供的對照實驗

Qwen3.5-9B 與 ZoomGain-9B 的配置形狀相同：32 層、隱藏層大小 4,096、中間層大小 12,288、16 個查詢注意力頭對上 4 個 KV 頭、頭維度 256、最大位置數 262,144，以及同樣以 3:1 比例安排線性 DeltaNet 與完整注意力。視覺塔沿用基礎模型的版本。架構本身沒有任何改變。

改變的是後訓練。ZoomGain 將 GRPO 應用於透過挖掘裁切細節所生成的 9,000 個問題，訓練一個 epoch，每個問題進行八次 rollout。這就是整個介入措施，而它在 ZoomGainBench 上測得的效果是從 32.13 到 55.48——在一個與訓練資料由同一流程建構的基準上躍升 23.35 分，論文誠實地將其標為「Held-in」。

在該但書下依然成立的數字，是十三個訓練從未見過的基準測試之留出平均：Qwen3.5-9B 為 59.75，ZoomGain-9B 為 66.10。在相同權重上，來自 9,000 個樣本的 6.35 分提升。在本次發布所針對的特定家族中，差距更大：HR-Bench 4K 從 82.13 到 90.25，V*Bench 從 86.91 到 93.19，VisualProbe 從 44.66 到 56.31。

• 耐人尋味的負面結果——MMStar 從 71.73 升至 73.87，BabyVision 從 15.98 升至 17.53。通用多模態能力幾乎沒有變化。這輪訓練換來的是精細細節，其他方面所獲不多，而這正是 9,000 個樣本的定向 RL 訓練應有的效果。

• 誠實的但書——上述內容全都是作者在其自有測試框架上的自行報告。Ant Group 以外無人重現過。評估器與基準測試皆為公開，因此可受查核，但尚未被查核。

Qwen3.8-27B，以及將它放入同一張表格的那一列

這裡的比較才真正見真章，因為 ZoomGain 論文確實在其自家基準上評估了 Qwen3.8-27B。27B 在 ZoomGainBench 的總分為 44.81——落後於 Kimi-K3 的 48.65、Qwen3.8-Flash-Next 的 55.05，也落後於表中每一個閉源前沿模型。以此衡量，它是個稱職但不出色的細微細節感知者。

把這一點與 ZoomGain-9B 在同一項測試上的 55.48 並置來看，算術結果就顯得驚人：一個 9B 模型比同家族的一個 27B 模型高出 10.7 分，而且還是在兩家廠商的行銷都不會選用的基準測試上。但這正是必須附上 held-in 標籤的比較，而論文也確實附上了。ZoomGainBench 是由建構 ZoomGain 訓練資料的同一條流程所打造。在該流程所產生的問題上訓練過的模型，已經見過這個分布；在該基準上受評估的模型則沒有。10.7 分的差距說的是分布擬合，而不是能力。

在沒有那種扭曲、兩者可相比較的情況下，情況就反轉了。Qwen3.8-27B 自己的模型卡報告指出，Terminal Bench 2.1 為 73.0、SWE-bench Pro 為 61.7、LiveCodeBench v6 為 90.3、GPQA Diamond 為 89.2，以及 HLE 為 30.8。ZoomGain-9B 這些全都沒有被評估過，也不預期會表現良好：它的訓練從未接觸程式碼、終端機任務或研究所程度的科學。Qwen3.8-27B 也原生支援圖像和影片，提供 262,144 個 token 的上下文，可延伸至一百萬，並透過 `reasoning_effort` 支援思考控制——這是 ZoomGain-9B 完全沒有的能力，因為它的評估是在停用思考的情況下執行。

• 尺寸與架構 — Qwen3.8-27B 是 27B 稠密模型，具有 64 層、隱藏維度 5,120、中間維度 17,408，以及一層多 token 預測頭。ZoomGain-9B 約為 9.4B，具有 32 層，隱藏維度為 4,096。

• 可用性 — Qwen3.8-27B 有 740 萬次下載、Apache 2.0 授權、FP8 與 GGUF 版本，以及託管端點。ZoomGain-9B 沒有託管端點，在 Hub 上的供應商對應為空，授權條款僅見於一張沒有授權標籤的模型卡，且除 BF16 外，其唯一發佈形式是 11 月 11 日的 GGUF 版本。

• 發佈日期 — Qwen3.8-27B：2026年8月5日，完整發佈，附有部落格文章與技術報告。ZoomGain-9B：2026年11月10日，只有一篇論文和一個儲存庫，別無其他。三個月的差距，不如以下事實來得重要：其中一個自八月起就已投入生產使用。

每條路線的價格，以及我們實際能賣給您的那一條

Qwen3.8-27B 已收錄於 OrcaRouter 目錄，每百萬輸入 token 為 $0.33、每百萬輸出 token 為 $2.40，支援 262K 上下文與文字、圖像、影片輸入，且供應商牌價加成 0%——我們模型頁面上的數字，就是 Qwen 收取的數字，原樣傳遞，因此供應商價格一有變動，當天就會在此生效，而不是等到重新定價週期之後。如果 27B 的規模不適合，同一把金鑰也能用來存取 Qwen3.8-Flash 與 Qwen3.8-Max，而 容錯移轉意味著，停滯的端點會在回應開始前向供應商重試，而不是等到你的請求逾時之後才重試。

ZoomGain-9B 不在目錄中，也無法透過我們呼叫。它是 BF16 的 18.82 GB，或 Q4_K_M 的 5.63 GB 加上 0.52 GB 的 mmproj 投影器，在 vLLM 0.19.1 搭配 transformers 5.7.0 下提供服務，或在支援 Qwen3.5 多模態的 llama.cpp 建置版本下提供服務。Qwen3.5-9B 本身也不在目錄中，這點值得直說：這項比較的廉價託管版本，在我們這邊也同樣不存在。

如果你的實際問題是「我該跑 ZoomGain-9B，而不是付費使用 Qwen 端點嗎？」，那麼成本比較在兩個方向上都不接近，也不需要接近。一個 27B 稠密模型每百萬輸入 token 收費 0.33 美元，對於幾乎任何你會稱作「偶爾使用」的用量來說，都比自己擁有一張 GPU 更便宜。自行託管 9B 只有在用量很高、資料不能離開你的網路，或任務正好是 9B 被訓練來做的那件狹窄工作時，才划算。

當幻影模型本會發揮作用時

Qwen 產品線中確實存在一個明顯缺口，而這點值得被明確指出，因為它解釋了為什麼有這麼多人搜尋這個對決組合。一個具備 262K 上下文視窗、採用 Qwen3.8 世代詞彙表的 9B 稠密模型，若以接近 Qwen3.5-9B 的價格販售，顯然會是影像密集型流程的平價首選——比 27B 便宜、比 4B 更強，而且小到足以在單張顯示卡上自行架設。Qwen 並沒有推出這樣的產品，因此這個位置目前不是由較舊的 Qwen3.5-9B 補上，就是由一個背後沒有原廠支持的社群蒸餾模型來填補。

ZoomGain-9B 也不是那個模型，而這項區別很重要。它是專攻感知的模型，帶有研究授權問題，且沒有託管路徑，不是通用型的小型 Qwen。如果你希望從「Qwen 3.8 8B」得到的是低價通才模型，那麼 ZoomGain-9B 除了精細細節之外，其他方面都會讓你失望。如果你想要的是一個能在 4K 照片中找到序號的模型，那它是少數專為此打造的小型 checkpoint 之一。

就通用型案例而言，實際可行的替代方案是託管的 Qwen3.5 系列——35B-A3B 每百萬輸入 token 為 $0.057，27B 為 $0.086——它們佔據了原本由缺失的 8B 填補的預算位置，但佔用資源更多，且具備真實端點。就感知案例而言，我們無法提供託管替代方案：Qwen3-VL-8B-Instruct 每百萬 token 輸入 $0.18、輸出 $0.70，可接收影像，並可作為替代品來測試你的錯誤是否為細節錯誤，但它並未像 ZoomGain 那樣接受訓練，在裁切圖上也不會與之匹敵。

具體來說，這該怎麼處理？

如果你來這裡是想看 ZoomGain-9B 與 Qwen3.8-8B 的勝負結論，那結論是：對手並不存在，而任何給你這種結論的頁面，都憑空捏造了這場比較的一半。真正該問的兩個問題範圍更窄，而且今天都能回答。

問題一：Qwen3.5-9B 的 9B 微調版本，在細粒度感知上是否優於 Qwen3.5-9B？就作者提供的數字來看，是的——在留出集上高出 6.35 分，而在訓練所針對的基準測試上高出更多。以 9,000 個樣本而言，這是相當強勁的結果，也是這次發布中最有意思的部分。

第二個問題：在你真正在乎的任何事情上，ZoomGain-9B 有比 Qwen3.8-27B 更好嗎？就通用能力而言，沒有——27B 更新、更大、文件更完善、有授權、有託管，而且在多更多的面向受過評估。在一個以 ZoomGain 自身訓練分布建構的基準上，它高出 10.7 分，這只告訴你訓練奏效了，卻完全無法告訴你該買哪個模型。

接下來的決定並不光鮮。一般工作請使用託管的 Qwen 模型，因為每百萬輸入 token 只要 $0.33，而且一次 API 呼叫就能搞定。只有在你有特定且講究細節的工作、有一張 GPU，還有一位讀過廠商尚未公布之授權條款檔案的律師時，才下載 ZoomGain-9B。