ZwZ2-27B 與 Qwen3.8-27B：相同骨架，兩種截然不同的押注

奇怪的是，ZwZ2-27B與Qwen3.8-27B這兩個模型其實是同一台機器。打開兩份設定檔，數字逐行吻合：64 層、5,120 隱藏大小、24 個查詢頭對上 4 個 KV 頭、維度 256、17,408 的前饋寬度、248,320 個 token 的詞彙表、262,144 個位置，以及隱藏大小 1,152 的 27 層視覺塔。它們甚至宣告相同的架構類別。將它們區分開來的不是寬度或深度，而是每個實驗室之後對那個本體做了什麼——而且到目前為止，還沒有人把它們放在一起對測，找出哪一種選擇勝出。

那個缺席是最該先講明白的事。inclusionAI 針對 ZwZ2-27B 公布的評測，是把它與 GPT-5.6-Luna、GLM-5.3-Flash 和 DeepSeek-V4.1-Flash 相比。其中不包含 Qwen3.8-27B，也不包含任何比 ZwZ2 所基於的版本更新的 Qwen 模型。至於 Qwen，則從未提及 ZwZ2。下面每一個數字，不是某個實驗室在測自己，就是 Qwen 在測自己；沒有任何第三方把兩者放進同一套測試框架。

同樣的骨架，逐行。

值得精確說明它們究竟有多接近，因為通常「27B 對 27B」的說法低估了這一點。這不是兩個恰好落在相似規模上的模型；它們是在可互換架構上進行的兩次後訓練。

• 參數 — 兩者皆為 27B，稠密架構，兩種配置皆未採用混合專家（MoE）路由。

• 深度與寬度 — 64 層、5,120 隱藏層大小、17,408 中間層大小，兩個檔案完全相同。

• 注意力機制 — 24 個查詢頭、4 個 KV 頭、頭維度 256、部分旋轉因子 0.25、旋轉基底 10,000,000。

• 層級排程 — 3:1 的線性到全注意力模式，重複 16 次，兩者皆採用。

• 詞彙與上下文——兩者皆為 248,320 個詞元及 262,144 個原生位置。

• 視覺塔 — 27 層、隱藏大小 1,152、投影至 5,120，兩者皆同。

實際後果是，硬體問題對兩者而言是同一個問題。bf16 下約 54 GB 的權重，一張 80 GB 顯示卡可從容應付，或兩張 40 GB 顯示卡勉強可行。兩者都不是能在筆記型電腦上執行的模型，而且各自的儲存庫裡都沒有量化版本——Qwen 的生態會產出這些，而 ZwZ2 幾乎完全沒有生態。

唯一不同的一行，以及兩個更重要的預設值

在結構上只有一個差異：Qwen3.8-27B 將 mtp_num_hidden_layers 設為 1，保留了一個多詞元預測頭，而 Qwen 表示這個頭是以多個步驟訓練出來的。ZwZ2-27B 則將它設為 0。inclusionAI 模型的推測解碼頭已被切除，而這正是當你的訓練管線不使用它，且你寧願交付更小、更簡單的產物時會做的事。這是維護性質的差異，不是設計理念的宣示。

預設值才是這兩個模型真正分道揚鑣之處，而它們對你的整合方式所造成的影響，將比任何設定值都來得大。

思考模式。Qwen3.8-27B 預設會在回答前先思考，提供三個投入程度等級，並以 xhigh 為預設值；它也能透過 preserve_thinking 保留先前輪次的推理脈絡。ZwZ2-27B 則記載為非思考模式：其快速入門範例傳入 enable_thinking=False，其對話範本要求模型將最終答案放在 <answer> 標籤內，而整份 25 項基準評估都是以這種方式執行。如果你的流程預期的是單次回應，ZwZ2-27B 開箱即符合需求。如果你希望模型在五十步的任務中反覆推敲，Qwen3.8-27B 具備這樣的機制，而 ZwZ2-27B 的說明卡並未宣稱擁有任何相關機制。

模態。Qwen3.8-27B 的文件記載其支援圖像與影片理解，影片取樣可透過服務層控制。ZwZ2-27B 的設定中含有 video_token_id，但其說明卡與評估完全著重於靜態影像與區域比較。在 inclusionAI 這一側，影片應視為尚未證實。

每一方實際上能證明什麼

兩家廠商都公布了評測結果。兩者無法互相比較，而原因不在行銷——而是這兩套測試套件衡量的根本是不同的事物。

ZwZ2-27B 的說法立基於六大感知領域的 25 項基準測試，由 inclusionAI 評分，將其自身基線從 55.52 提升至 60.51。絕對數值最強的是細粒度感知（領域平均 67.57）與長上下文理解（68.77），最弱的則是 Chartography 的 12.00 與 AgentVista 的 18.18。

Qwen3.8-27B 公布的表格是一套涵蓋文字與代理（agent）的測試套件，其中包含一個視覺部分，而 Qwen 是拿它與自家前代模型進行對比。Qwen3.8-27B 與 Qwen3.6-27B 之間的某些差距極為巨大：

• 代理式終端機程式編寫 — Terminal Bench 2.1 得分 73.0，相較之下 Qwen3.6-27B 為 63.4。

• 軟體工程 — QwenSWEBench 為 79.0，對比 49.3；DeepSWE 1.1 為 42.2，對比 13.3。

• 電腦操作 — OSWorld-Verified 為 84.3，對比 63.9；WebArena-Verified 為 64.8，對比 48.8。

• 行動裝置使用 — AndroidWorld 以 81.9 對比 70.3。

• 多模態軟體工程 — SWE-MM 達 38.6；RecreationBench 為 47.1，相較於 29.8。

• 科學推理 — GPQA Diamond 為 89.2，對比 87.8；HLE 為 30.8，對比 24.0。

那些是 Qwen 在自己的測試框架上公布的自家數據，而它們說明了一件很簡單的事：3.8 世代相較於 3.6 並不是一小步。在代理式軟體工作方面，提升是以數十個百分點來衡量，而不是個位數。

為什麼 +4.99 相對 3.6 不是約 3.8 的數值

這是比較中的陷阱，而且很容易掉進去。ZwZ2-27B 最引人注目的增益是比 Qwen3.6-27B 高出 +4.99。在 Qwen 的測試套件上，Qwen3.8-27B 是比 Qwen3.6-27B 強得多的模型。那個誘人的推論——ZwZ2 的增益縮小了差距——並不成立，而且有一個機械性的理由使它無法被檢驗。

你不能跨不同執行結果相減。{{1}}ZwZ2-27B 的 60.51 是 inclusionAI 所選 25 項感知基準的準確率平均值；Qwen3.8-27B 的數字則是 Qwen 所選另一組基準上的分數。{{/1}}一個在某套評測上得分 60.51 的模型，和一個在完全不同任務上得分 84.3 的模型，並不能說明它們的相對順序；而{{2}}任何把這些數字放進同一欄的文章，都是在捏造一個沒有人測量過的排名。{{/2}}

可以說的範圍更窄，但依然有用。ZwZ2-27B 是針對一個已被 Qwen 取代的模型所做的針對性干預，而該干預有記錄的幅度——在知覺平均值上五個百分點——與 Qwen 自己在視覺任務上數個 3.6 到 3.8 的差值處於同一數量級，且遠小於其在代理型任務上的差值。這種專門化能否彌合區域層級感知上的世代差距，正是需要共用評測框架來驗證的事情。目前還沒有人建立這樣的框架。

卡片的參考欄位暗示了為什麼可能會有答案。ZwZ2-27B 得分 60.51，而 inclusionAI 測得 GLM-5.3-Flash 為 57.24、DeepSeek-V4.1-Flash 為 55.47——這是在一個圍繞區域比較建構的評測套件上，它所擊敗的託管模型；卡片並指出，先進模型的圖像解析度受到其服務平台的限制。這既是關於模型的結果，也同樣是關於該評測套件的結果。這不是關於 Qwen3.8-27B 的證據，它從未參與其中。

對多數團隊來說，還沒等到跑基準測試，授權條款就已經先決定了答案。

Qwen3.8-27B 採用 Apache-2.0 授權，並在模型卡片的前置資料中明確宣告，其下載次數達數百萬，周遭更有由適配器、微調與量化構成的生態系。ZwZ2-27B 則完全未宣告任何授權。它的卡片指向「隨釋出權重一同提供的授權，以及適用的主幹模型授權」，而在權重並未附帶任何授權的情況下，這種說法無異於循環論證。

對研究團隊而言，那只是註腳。對要把模型放進產品後面的公司而言，那是決定性的界線，而且差距毫不接近。主幹採用 Apache-2.0 並不自動等於授權其自身條款未載明的衍生作品——這是法律顧問要處理的問題；在 inclusionAI 回答之前，穩妥的解讀是 ZwZ2-27B 尚未獲准商業部署。缺少論文更加劇了這點：模型卡仍包含字面上的佔位符 PAPER_URL，因此方法描述就只有一份 README 和一份資料集結構描述，別無其他。

你今天可以稱為什麼

Qwen3.8-27B 現已可在 OrcaRouter 上路由，在與型錄其餘項目共用的同一把金鑰下，並以供應商牌價提供、無加價——因此若 Qwen 調整定價，變更會當天在此生效，而非等到重新定價週期之後。其標價為每百萬輸入 token 0.33 美元、每百萬輸出 token 2.40 美元，並提供 262,144 個 token 的上下文。這對這類比較很重要，因為較便宜的實驗者通常會勝出：你今天下午就能用自己的工作負載對 Qwen3.8-27B 進行基準測試，無需下載或 GPU。

ZwZ2-27B 不在我們的型錄中，而若把這句話說得更委婉，就是不誠實。它是個 54 GB 的自架式成品，沒有授權，也沒有服務部署配方，而評估它的唯一方式就是實際運行它。如果它日後能在你的技術堆疊中佔有一席之地，兩者就會在路由層交會——單一端點、自動容錯移轉，以及一套策略：把區域比較流量送到專用模型，其餘一切送到通用模型，而不是重寫。

哪一個，依工作負載

Qwen3.8-27B 幾乎在所有用途上都是站得住腳的預設選擇。代理式編碼、長時程工具使用、電腦與瀏覽器控制、通用推理、影片——這些正是其公開增益最大的領域，而它也是兩者中唯一在今天能合法出貨並實際部署的模型。

ZwZ2-27B 的適用情境較窄：你已經在運行 Qwen3.6-27B 等級的流程，瓶頸在於文件、圖表或介面截圖中可量測的細節，而在推論迴圈中加入縮放與裁切工具呼叫並不吸引人。這正是 inclusionAI 聲稱要解決的問題——在訓練時學習跨標記區域的比較，使推論時不需要工具。如果基礎模型是你自己測試框架中的對照條件，那麼在本地以 ZwZ2-27B 與它對測，是一項成本低且定義明確的實驗。

站不住腳的是：把廠商的 60.51 當成通用能力分數，或把它拿來與任何 Qwen3.8 的數字相比，彷彿兩者位在同一個尺度上。事實並非如此；而能據以定論的模式——一套共享測試框架，由沒有利害關係的人運行——也和 ZwZ2-27B 本身一樣，尚未公布。

這個比較真正帶出的三個問題

ZwZ2-27B 只是加上額外訓練的 Qwen3.6-27B 嗎？在架構上是，甚至連層排程與視覺塔都相同，只是移除了多 token 預測頭。在行為上，這取決於 inclusionAI 僅在 README 層級描述過的後訓練配方：三到七個區域的群組、由特權裁切生成的問題、以跨模型一致性與逐一移除區域測試進行篩選，接著在約 20,000 個範例上執行 GRPO，且沒有監督式微調階段。那是對方法的描述，不是重現。

ZwZ2-27B 的增益在感知任務上與 Qwen3.8-27B 交手後還能維持嗎？未知，且從目前紀錄無從得知。Qwen3.8-27B 的視覺部分側重於電腦操作、瀏覽器操作與多模態軟體工程，而非區域層級比較，因此即使是 Qwen 自己的表格也無法回答 ZwZ2 主張所提出的問題。

思考模式預設值會改變比較結果嗎？會，而且影響比基準差距所顯示的更大。ZwZ2-27B 是以單次執行、非思考模型的方式進行評估與記錄；Qwen3.8-27B 則圍繞可調整的推理投入程度來設計。對於延遲敏感的感知呼叫，這有利於 ZwZ2-27B 的設計；而對於任何需要深思熟慮的任務，則有利於 Qwen3.8-27B 的設計——但兩者是在不同的生成設定下測量，因此基準數字也帶有這項差異。