ZwZ2-9B 對上 Qwen3.8-27B：新一代 Qwen 留下的小型空缺

Qwen3.8 世代於 2026 年 8 月 5 日推出 27B 稠密模型，8 月 8 日推出 2.4 兆參數的專家混合模型，並於 8 月 24 日推出 Flash-Next 變體。其中並不包含 9B。這意味著當前產品線的小型端仍由 Qwen3.5-9B佔據，那是 2026 年 2 月 27 日的檢查點——而這也意味著 ZwZ2-9B，由 inclusionAI 於 2026 年 10 月 16 日發布，在那個規模上坐落於最新可用的 Qwen3.5 堆疊之上。將它與 Qwen3.8-27B 相比，你比較的並不是同一家族的兩個模型。你比較的是同一架構內約一百八十億參數的差距，因為 3.8 世代從未將其重新命名。

首先必須理解的是，這在任何通常意義上都不是一場競爭。Qwen3.8-27B 是附帶授權條款、託管 API、已發布評測，並且在過去一個月有七百萬次下載的成品。ZwZ2-9B 則是某個沒有 README 的儲存庫中，一批未記載的衍生檢查點。真正有用的問題更狹窄，也更實際：如果 27B 模型才是 Qwen 希望你運行的模型，那麼你選擇留在 9B 究竟買到了什麼，而這個較便宜的檢查點又從它上一代繼承了什麼？

架構從未改變——變的只是規模。

這正是讓這項比較值得寫下來的發現，而且在兩個設定檔中就看得出來。Qwen3.8-27B 將其架構識別碼宣告為 qwen3_5。ZwZ2-9B 也是如此。相同的模型類型、相同的類別名稱、相同的注意力設計、相同的分詞器血統——相隔一個世代，標籤卻從未改變。

只要撇開型號標識不談，其家族相似性便展露無遺。兩者都採用相同的三比一配置：線性注意力層對全注意力層。兩者都保留 248,320 個詞元的詞彙量，並宣告 262,144 個位置的上下文上限。兩者都使用交錯式 M-RoPE，並採用相同的分段切分與相同的 10,000,000 旋轉基底。兩者都搭載恰好 27 層的視覺塔，隱藏維度為 1,152，並具備 2,304 個位置嵌入。Qwen3.8 並非取代 Qwen3.5 的新設計。它是同一設計的更大維度版本，而 Qwen3.8-27B 在自己的配置中便表明了這一點。

• 參數 — ZwZ2-9B：9,409,813,744。Qwen3.8-27B：依其規格卡為 280 億，其設定指定 64 層、隱藏大小 5,120，對比 32 層、4,096。

• 架構識別碼 — 兩者皆為 qwen3_5。相同類別，相同注意力排程。

• 詞彙 — 兩者皆為 248,320，包含圖像與影片 token id。

• 上下文上限 — 兩者皆宣告 262,144 個位置，而 Qwen 的託管版本更可延伸至 1M。

• 視覺塔 — 兩者皆為 27 層、隱藏大小 1,152；投影從 4,096 擴展至 5,120，以配合語言堆疊。

• 推理預設值 — ZwZ2-9B 除非被要求，否則不會思考就直接回答。Qwen3.8-27B 則預設會思考，並可調整推理強度。

• 授權 — 未宣告 vs Apache-2.0。

• 證據 — 一個設定檔對比一張模型卡、評估結果、一個託管 API 和 198 個已發佈的適配器。

27B 能為你帶來哪些 9B 衍生版所沒有的東西

第一件事是授權許可。Qwen3.8-27B 採用 Apache-2.0，附有明確的授權，且依其自身的標籤可部署於 Azure 與 SageMaker，並透過 Qwen 官方託管 API 提供服務，託管版本支援 100 萬個 token 的上下文。ZwZ2-9B 則完全未宣告任何授權，這與授權限制嚴格的問題不同——它是授權的完全缺失，而非授權範圍狹窄，而這是採用它時最大的單一風險。

The second is reasoning control. Qwen3.8-27B's chat template exposes three reasoning-effort levels with a default of the highest, instructs the model accordingly, and supports preserving reasoning context across turns. It also keeps the Qwen convention of thinking by default. ZwZ2-9B has none of this machinery, and its template inverts the default — it emits an empty <think></think> block unless you explicitly pass a flag, which means the model answers directly and cheaply, and gives you no dial to turn when a question deserves more thought.

第三個是生態系，這是最少被討論、卻最舉足輕重的一環。Hub 上列出了以 Qwen3.8-27B 為基礎打造的 198 個適配器、553 個微調模型、24 個合併模型與 1,472 個量化版本，還有一百個 Spaces。這是一群並非 Qwen 團隊的人所做的大量成果，描述這個模型在真實問題上的表現。ZwZ2-9B 完全沒有這些，而且目前也不可能擁有——它才剛問世幾個小時。

維持在 9B 還能為你帶來什麼

小尺寸這個位置之所以一直沒有沉寂，是有原因的。ZwZ2-9B 所依據的檢查點 Qwen3.5-9B，在過去一個月錄得 8,591,266 次下載——多於同期 27B 旗艦款的 7,363,968 次。9B 這個規模正是大量實際工作發生的地方：它是能舒適裝進單一消費級加速器的最大模型，是團隊想要自有權重而非 API 時會去微調的規模，也是像 ZwZ2-9B 這種未有文檔記載的衍生模型可能確實有意思的地方，因為它所繼承的東西已被數百萬人讀過。

移除多 token 預測頭也不見得是損失。ZwZ2-9B 的設定將 mtp_num_hidden_layers設為 0，而 Qwen3.5-9B 則是 1，這移除了推測解碼頭，也連帶去掉了大約兩億五千萬個參數。無論訓練過程原本意圖為何，你下載到的產物都是比其母模型更簡單的模型，而當你無從閱讀模型卡時，越簡單就越容易推理。

而視覺路徑在兩個方向上完全相同：27 層、隱藏大小為 1,152、2,304 個位置的嵌入表，以及以每秒 2 幀的速度最多可處理 768 幀的影片處理器。如果你需要輸入影像，9B 不會把這項能力讓給 27B。

如果你選擇的是 endpoint 而不是 checkpoint，這會是什麼樣子

對大多數團隊來說，務實的答案並不是二選一，而且其中託管服務的那一側已經塵埃落定，開放權重的那一側卻還沒有。Qwen3.8-27B 可在 OrcaRouter 上以 qwen/qwen3.8-27b 進行路由——262K token 的上下文，可輸入文字、圖像與影片，輸出文字，每百萬輸入 token 0.33 美元、每百萬輸出 token 2.40 美元。那是供應商的牌價以 0% 加成原樣傳遞，因此當 Qwen 調整價格時，這裡的數字會在同一天跟著變動，而不是等到下一次型錄更新，它就座落在 qwen/qwen3.8-flash 和 qwen/qwen3.8-max 旁邊，共用同一把金鑰，讓你能用自己的流量、而不是別人的基準測試表來比較各層級。

ZwZ2-9B 並不在那份目錄中，我們也不會暗示它不是如此——它是 Hugging Face 上的下載項目，其供應商並未發布任何 serving 端點，而 inclusionAI 是透過供應商自家的管道發布。如果你想在評估該 checkpoint 期間，為小型多模態這個位置找一個託管的替代方案，qwen/qwen3-vl-8b-instruct 是一個 8B 視覺語言模型，具備 131K token 的上下文，每百萬 token 收費 $0.18 與 $0.70，並附有文件與授權。把候選模型放在與現行模型相同的介面之後，比較兩者只需改動一個 model string；這就是以路由方式使用一個你不確定的模型、而非將其整合進來的全部理由。

世代問題，誠實回答

沒有任何基準測試能讓 ZwZ2-9B 勝過 Qwen3.8-27B，因為根本沒有任何基準測試實際測量過 ZwZ2-9B。一個附有技術卡的 28B 模型，和一個只有設定檔的 9.4B 檢查點，兩者並非在競爭；其中一個已被評估，另一個只是被描述過。這週任何做出正面對決結果的人，描述的都只是他們對自己今早下載的模型的個人印象。

這裡真正嶄新之處在於其血統，而這點值得直白說明，因為它很容易被忽略。Qwen3.8 世代並沒有取代其架構；而是將其擴展。Qwen3.8-27B 與 ZwZ2-9B 隸屬於同一個架構識別碼，共享詞彙表、共享上下文上限、共享注意力排程，並且共享一座視覺塔，連層數與隱藏寬度都一致。這是有雙向用途的知識：它告訴你，這個堆疊上的 9B 檢查點大概會有什麼樣的感覺；也告訴你，Qwen 家族小規模端與大規模端之間的差距，是程度之別，而非物種之變。

所以，對 ZwZ2-9B 與 Qwen3.8-27B 的誠實結論是：27B 才是你可以據以規劃的版本，而 9B 衍生版本則值得關注。先閱讀設定，用它跑你自己的任務，並在它接觸任何重要事務之前，先等待授權。

這些都不是假設：像這次發布這類版本背後那些有紀錄的 AI 失效與代理事件，全都收錄在OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。