ZwZ2-4B 對決 Qwen3.8-27B：4.5B 專家模型遇上 Qwen 的 28B 旗艦

假設你的影像管線每天執行 200,000 次查詢，而你只有一張 16 GB 的顯示卡。光是這項限制，就足以排除 Qwen3.8-27B，甚至不必討論任何基準測試：在 280 億參數下，光是 BF16 權重就約為 56 GB，無論服務技術多麼巧妙，若不進行你尚未編列預算的量化，就無法將它們放進 16 GB。ZwZ2-4B，其擁有 45.4 億參數與 9.08 GB 的權重檔，放得下。所以，誠實的問題不是哪個模型更好，而是這個較小檢查點較窄的能力，對你的工作負載而言是否構成真正的限制，或者你原本是否正要為了回答產品照片裁切圖的相關問題，而支付旗艦模型的費用。

有個蹊蹺讓這場對決比代號所暗示的更為奇特。Qwen 的 3.8 世代從未推出過此尺寸級別的模型。其成員包括 2026 年 8 月 5 日的 27B 稠密模型、8 月 8 日的一個 2.4 兆參數混合專家模型，以及 8 月 24 日的 Flash-Next——儘管名稱如此，它是採用不同架構系列的 1,800 億參數模型。27B 以下沒有稠密模型。因此ZwZ2-4B真正同尺寸的對手是Qwen3.5-4B，也就是它微調所依據的二月版檢查點。Qwen3.8-27B 在此比較中是以上限、而非同儕的身分登場。

沒有能讓這兩者交會的基準。

先從讓大多數比較頁面顯得不誠實的那件事談起。Qwen3.8-27B 有公開發表的評測與生態系；ZwZ2-4B 的 25 項基準測試結果則只存在於它自家的模型卡裡，由訓練它的實驗室產出，任何地方都沒有獨立複現。你不能把廠商自行回報的 54.79 拿來和另一個實驗室的基準測試套件並排相減。這兩個數字並不是在同一批任務、相同解析度、同一套測試框架下產生的。

因此，這篇文章並不讓他們互相比較評分。它比較的是各自被設計來做什麼、各自運行起來成本是多少，以及較小者放棄了什麼。凡出現數字之處，都會標明是由誰提出的。

差距，逐個維度來看

• 參數 — ZwZ2-4B 4,539,265,536 對比 Qwen3.8-27B 28B（依其模型卡）

• 磁碟上的權重 — 約 9.08 GB BF16，對比約 56 GB BF16

• 深度 — 32 層 vs 64 層

• 寬度 — 隱藏層大小 2,560 對 5,120

• 注意力形狀 — 在頭維度 256 下，16 個查詢頭對 4 個 KV 頭，兩者皆然

• 注意力排程 — 兩者皆為 3:1 的線性至完整比例

• 上下文視窗 — 兩者皆為 262,144 個位置

• 詞彙 — 兩者皆為 248,320 個詞元

• 視覺塔（Vision tower）—— 隱藏維度為 1,024 時有 24 層，而隱藏維度為 1,152 時則有 27 層

• 授權條款 — ZwZ2-4B 未宣告任何授權，而 Qwen3.8-27B 為 Apache-2.0

四個相符的資料列才是有趣的部分。兩個模型繼承相同的架構識別碼，qwen3_5，具有相同的注意力幾何結構與相同的上下文上限。3.8 世代並未重新設計整個堆疊；而是將其規模化。這就是為什麼 4B 的設定看起來像是 27B 的縮小版，而不是外來物件，也是為什麼 4B 繼承了 27B 的服務特性——線性注意力層正是讓 262K 上下文在此規模下變得可負擔的關鍵。

整場對決中唯一可直接比較的數字

ZwZ2-4B 的模型卡報告其基礎模型在 25 項基準測試中為 49.41，而自身為 54.79，提升 5.38 分。這是在相同程序訓練與測量、相同任務、相同實驗室下，對兩個檢查點所做的比較。這仍是由廠商報告，且基準測試的選擇是該實驗室做的，但至少相減的兩邊是可比較的。

由此可得出兩點。第一，這項提升只有在實驗室測得它的意義上才算真實；沒有人重現過 54.79。第二，而且更有用的是，基線是一個強大的模型。Qwen3.5-4B 每月下載量達 740 萬次，並獲得 1,145 個讚——它是一個被廣泛部署的檢查點，擁有真實的生態系。如果 ZwZ2-4B 在偏重感知的任務上高出 5.38 分，那相對於人們實際運行的模型而言，就是一個有意義的差距。如果它是在為了獎勵它訓練時所針對的特定能力而挑選的基準上高出 5.38 分，那麼實際生產中的差距將會更小。

這個方法說明了哪一種解讀更有可能。ZwZ2 是在由 SA-1B 區域裁切影像建構而成的四選一多選題上，以 GRPO 訓練而成——這類題目約有 20,000 題——而且沒有監督式微調階段。模型見過的每一個訓練訊號，都是針對某個區域是否包含問題所需證據所做的四選一選擇。這種形態的工作負載，正是 5.38 應該成立的地方。開放式描述並不是那種形態。

28B 旗艦能換來、而 4.5B 辦不到的東西

Qwen3.8-27B 是一個通用視覺語言模型：支援圖像、影片、靈活的思考控制、Apache-2.0 授權，且參數餘裕足以吸收廣泛的預訓練資料，而非只接受一套狹隘、高品質的合成課程。它的下載次數——上月 750 萬次、18,500 個讚——正是當你選擇骨幹模型而非專用模型時真正重要的生態系訊號。它的 Adapter、量化、微調與工具都已存在，而下載量為零的檢查點則沒有這些。

廣度體現在失敗模式上。ZwZ2-4B 的模型卡列出了幻覺、文字誤讀、計數錯誤和空間錯誤，並指出結果取決於影像解析度、上下文長度和提示格式。一個 28B 的通用型模型原則上具有相同的失敗類別，但更有能力在更長的上下文中保留細節，且不要求任務必須類似於四選一。

對於文件擷取、多頁推理、影片，或任何答案是一段文字而非一個區域的情況，27B 是更合適的工具，而大小差異並非決定性因素——訓練目標才是。

真實價格下的成本算術

在這裡，比較不再抽象。在 OrcaRouter 上，qwen/qwen3.8-27b以每百萬輸入 token 0.33 美元、每百萬輸出 token 2.40 美元的價格提供服務，情境長度為 262K。以一個具代表性的圖像查詢為例，輸入 1,500 個 token、輸出 300 個 token。在 27B 上，一千次這樣的查詢約需 1.22 美元。較輕量的qwen/qwen3.8-flash，價格為 0.15 與 0.47 美元，同樣一千次約落在 0.37 美元。一個託管的 8B 視覺模型則介於兩者之間。

ZwZ2-4B 沒有每個 token 的價格，因為它沒有託管端點——Hugging Face 頁面指出沒有供應商提供服務。它的成本就是你 GPU 每小時的成本除以吞吐量，而它是這項比較中唯一能在單張 16 GB 顯示卡上運行的選項。這就是較小模型全部的經濟論據；如果你已經在為硬體付費，這論據就很有力。

關於路由的一個結構性重點，因為它會影響你如何測試這件事。OrcaRouter 以 0% 加成將供應商的定價原樣傳遞，因此當 Qwen 調整某個託管 Qwen 模型的價格時，上方的數字會在同一天跟著變動，而不是等到下一次合約續約。唯有在託管端反映當日定價的情況下，比較自行託管的檢查點與託管模型的成本才稱得上誠實，而這裡描述的正是這個特性——並不是折扣。

小模型甚至能勝過旗艦模型的地方

三種情況，而且它們比小型模型的行銷宣傳通常所暗示的範圍更窄。

首先是部署控制。一個 9.08 GB 的 BF16 檔案可以固定、版本化並運送到邊緣裝置。56 GB 的檔案則不行，而託管 API 既不給你權重，也不給版本保證。如果你的產品限制是「模型隨裝置移動」，那麼 27B 在任何價格下都不是候選。

第二個是大量運用時的成本可預測性。自架推論的成本曲線平坦，而且沒有按 token 計費的計量機制。每天 20 萬次影像查詢時，每千次 1.22 美元大約是每天 244 美元——每月約 7,300 美元——這是以 27B 的牌價計算。自架是否能勝過這個數字，完全取決於使用率，而單張使用率不足的顯示卡往往做不到。

第三是任務專精化。如果你的工作負載確實就是「這四個區域中哪一個包含證據」，ZwZ2-4B 正是針對這種題型訓練的，並有一個篩選步驟，旨在移除無需區域即可回答的問題。通用型模型則把容量花在其他所有事情上。這正是 4.5B 檢查點能勝過 28B 檢查點的情況，也是唯一一種情況：廠商所稱的 5.38 個百分點，才會是讀者所期望的意思。

如何按照決策實際發生的順序來決定

• 如果權重必須放在你控制的硬體上，而該硬體規模很小——那就選 ZwZ2-4B，接受授權條款的不明確性，並為自行評估編列預算。

• 如果任務是區域定位式多選題或視覺證據檢索——在查看模型卡上的 5.38 之前，先用你自己的資料，以 ZwZ2-4B 對比 Qwen3.5-4B 進行測試。那個差值若能重現，才是唯一重要的數字。

• 如果你需要影片、長篇文件、開放式描述，或是一份你的法務團隊會簽署的授權條款——那就選 Qwen3.8-27B，別再讀下去了。

• 如果你沒有硬體，也沒有自行部署服務的意願——那就走託管的 Qwen 路線，因為另一個選擇是一項維運工程，而不是模型選擇。

這場對決令人不安的地方在於，真正有趣的比較並不是標題裡的那一個。ZwZ2-4B 對上 Qwen3.8-27B，實質上是關於部署等級的決策，卻被包裝成模型比較。真正該正面交鋒的——相同基礎、相同規模、相同服務成本，以及實測 5.38 個百分點的差距——是 ZwZ2-4B 對上 Qwen3.5-4B；而在這兩個數字中的任何一個改變你的架構之前，那才是值得拿你自己的圖片來跑一次的實驗。