بطاقة عنوان لمقال ZoomGain-4B: العنوان الرئيسي ZoomGain-4B، وعنوان فرعي نصه «نشرت inclusionAI الأوزان في 11 نوفمبر 2026 ولم تعلن شيئًا»، وثلاث شرائح نصها «4.54B معلمة»، و«لغة بصرية»، و«لا واجهة برمجة تطبيقات مستضافة».
Engineering & Research

تم شحن ZoomGain-4B في 11 نوفمبر دون أي إعلان مسبق.

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

أول إيداع في inclusionAI/ZoomGain يحمل ختم 2026-11-09 الساعة 02:13 UTC ورسالته "Release ZoomGain init." أوزان ZoomGain-4B ظهرت على Hugging Face في 2026-11-10 الساعة 11:38 UTC. إن قائمة arXiv ومجموعة التقييم ومجموعة بيانات التعلم المعزز التي أنتجته كلها مؤرخة 2026-11-11، وهو نفس اليوم الذي جرى فيه آخر تعديل على بطاقة الطراز. ما لم يظهر، في أي مكان استطعت البحث فيه، هو منشور إطلاق. لا يوجد خبر على موقع inclusionAI، ولا إعلان على ملف المنظمة على Hugging Face يتجاوز المستودع نفسه، ولا نقطة نهاية مستضافة، ولا تغطية من أي أحد. Qwen3.5-4B هو نموذج لغوي بصري بُني بالتعلم المعزز فوق Qwen3.5-4B، واعتبارًا من صباح اليوم فإن الأشخاص الوحيدين الذين يعرفون بوجوده هم من صادف أن نظروا إلى قائمة مستودع. هذا مقال عما يقوله المستودع: كل رقم أدناه إما طابع زمني يمكنك التحقق منه بنفسك أو رقم وضعه المؤلفون على بطاقتهم الخاصة، والأماكن التي لا يكفي فيها ذلك موسومة على هذا النحو.

للقارئ الذي يريد تصوّر الشكل العام قبل التفاصيل: النموذج عبارة عن نقطة تحقق متعددة الوسائط تضم 4.54 مليار معامل، وتجيب عن أسئلة اختيار من متعدد حول التفاصيل البصرية الدقيقة — نص صغير في صورة، أو عدد أشياء في مشهد مزدحم، أو سمة لا يمكن قراءتها إلا عند تقريب المنطقة. وتقول حجة المؤلفين إن نموذج الرؤية الذي ينظر إلى الصورة كاملة يفوّته تفاصيل يمكنه قراءتها جيدًا متى ما كُبّرت المنطقة نفسها، وإن هذه الفجوة يمكن تحويلها إلى إشارة تدريب. ثم بنوا بهذه الآلية نفسها معيارًا من 1,000 سؤال، وعلى هذا المعيار يحقق النموذج المدرَّب 4B نتيجة 55.81 مقابل 30.03 للنموذج الذي دُرّب انطلاقًا منه. هذان الرقمان هما كل الحجة، ويأتيان مع تحفظ تذكره الورقة نفسها: أن المعيار بُني بخط المعالجة نفسه الذي بُنيت به بيانات التدريب، وهو ما تسميه الورقة "held-in".

ما الذي وصل، وماذا تقول الطوابع الزمنية

هذا الإصدار مكتمل بشكل غير معتاد بالنسبة لشيء لم يعلن عنه أحد. ستة مخرجات، جميعها خلال نافذة 48 ساعة:

• الورقة البحثية. "ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision," arXiv 2611.14076، مُقدَّمة في 10 نوفمبر 2026، من تأليف Haozhan Shen، Liangbo He، Jun Lan، Huijia Zhu، Weiqiang Wang، Tiancheng Zhao وJianwei Yin. سبعة مؤلفين، cs.CV وcs.AI.

• نقطة التحقق 4B. inclusionAI/ZoomGain-4B، بصيغة safetensors بدقة BF16. تُظهر بيانات التعريف الخاصة بالملف عددًا قدره 4,539,265,536 معاملًا. ترخيص Apache 2.0 على الشيفرة؛ وتُحيل بطاقة النموذج شروط نقطة التحقق ومجموعة البيانات إلى مستودعاتها الخاصة.

• نقطة التحقق 9B. inclusionAI/ZoomGain-9B، 9,409,813,744 معلمة، أُنشئت بعد أربع دقائق من نظيرتها الأصغر.

• إصدارات مُكمَّمة. ZoomGain-4B-GGUF أُطلِق في 2026-11-11 عند الساعة 03:09 UTC بثلاثة مستويات دقة إضافةً إلى مُسقِّطات رؤية مطابقة: Q4_K_M بسعة 2.71 GB، وQ8_0 بسعة 4.48 GB، وF16 بسعة 8.42 GB، كلٌّ منها مزوَّد بملف mmproj لِمُرمِّز الصور. تبعه 9B GGUF.

• المعيار. inclusionAI/ZoomGainBench، 1000 سؤال على 941 صورة، ونص باللغتين الإنجليزية والصينية لكل عنصر، بالإضافة إلى إجابة مرجعية وقاعدة تسجيل ومربع إحاطة للأدلة بإحداثيات البكسل.

• بيانات التدريب. inclusionAI/ZoomGain-RL-Data، 9,000 سجل و7,713 صورة مصدرية بصيغة Parquet، مع البيانات الوصفية للمكافأة التي يتوقعها سكربت التدريب.

الهدوء ليس لغزًا وليس مريبًا. إنه ما يبدو عليه إصدار داخلي لمجموعة بحثية عندما تظهر الورقة على arXiv قبل أن يكتب أي شخص منشور المدونة. كل العلامات الدالة موجودة: ثلاث عمليات إيداع في صباح 11 نوفمبر جميعها بعنوان "update readme" بفارق أربع عشرة دقيقة، ومستودع GitHub عليه ثلاث نجوم وحقل الوصف غير مملوء، وكلا مستودعي نقاط الحفظ يُظهران صفر تنزيلات وصفر إعجابات، وصفحة نموذج 4B تحمل تحذيرًا بشأن بيانات YAML الوصفية الفارغة أو المفقودة. لا شيء من ذلك دليل على النموذج. إنه دليل على عملية الإطلاق.

Screenshot of the inclusionAI/ZoomGain-4B model card on Hugging Face, captured 11 November 2026, showing the repository header, the parameter metadata and the opening of the model card text.

الطريقة، في ثلاث خطوات

الجزء المثير للاهتمام في ZoomGain ليس النموذج، بل كيفية إعداد الأسئلة. تعمل خطوط المعالجة على ثلاث مراحل، وأولها فقط تقليدي.

• حدِّد الهدف.تحدِّد عدة نماذج بصورة مستقلة منطقةً موصوفة في المشهد الكامل. وحيث تتفق، يُعتمد ذلك الاتفاق بوصفه الاقتطاع الجدير بالاحتفاظ به. واستخدام الاختلاف كمرشِّح يعني أن النقطة العمياء لأي نموذج بمفرده لا تحدد مجموعة الهدف.

• استخرج الأدلة. تُقارَن التعليقات التوضيحية للمنطقة نفسها عند مستويي تكبير. وكل ما يكشفه القص ولا تكشفه الصورة الكاملة يُحوَّل إلى سؤال عن الصورة الكاملة. هذه هي الآلية التي تُنتج فجوة «global-to-zoom» التي يشير إليها العنوان: فالسؤال قابل للإجابة، لكن فقط إذا تمكّن النموذج من تمييز شيء عند حدود إدراكه.

• تحقّق وشتّت. تُقارَن الإجابات وتُدقَّق مقابل الصورة المقصوصة، وتُستبعد الأسئلة الغامضة، وتُستبعد الأسئلة التي يمكن الإجابة عليها دون الصورة إطلاقًا، وتُولَّد خيارات تشويش متعددة الاختيار. وتقول دراسة الاستئصال إن هذه الخطوة الأخيرة تؤدي عملًا حقيقيًا — إذ تؤدي إزالة المشتتات المخصصة إلى خسارة 8.96 نقطة على المعيار المحتفظ به، وهو أكبر انخفاض فردي تذكره الورقة.

التدريب نفسه ليس غريبًا. GRPO عبر إطار EasyR1 المرفق، حقبة واحدة، حجم دفعة 64، وثمانية rollouts لكل سؤال، ما يبلغ 140 خطوة على 9000 سجل. يتضمن المستودع اختبارًا أوليًا smoke test يشغّل خطوة واحدة تشمل rollout والمكافأة وحفظ نقطة تفتيش، بالإضافة إلى مشغلات كاملة لكلا الحجمين. PyTorch 2.10 وFlashAttention 2.8.3 وvLLM 0.19.1 وtransformers 5.7.0 — جميعها مثبتة بإصدارات محددة، وهذا هو الفرق بين مستودع يعيد إنتاج النتائج ومستودع يكتفي بوصفها.

الرقم الذي يهم، والتحفّظ الذي يُقلّصه

يُعدّ ZoomGainBench صعبًا عن قصد. أقوى نموذج عليه هو GPT-5.6-Sol بنتيجة إجمالية 61.08، أي 61.08 من 100 في أسئلة الاختيار من متعدد حول الصور الفوتوغرافية. ويأتي Claude-Opus-5 عند 59.86، وGemini-3.6-Flash عند 59.41. أما أفضل نموذج رؤية عام مفتوح المصدر في الجدول، Qwen3.8-Flash-Next بـ 125 مليار معامل، فيبلغ 55.05. ونموذج بـ 4 مليارات معامل جرى تدريبه على 9000 عينة يصل إلى 55.81 — أعلى من النموذج العام ذي 125 مليارًا، وأعلى من Kimi-K3 بـ 2.8 تريليون معامل، وأعلى من GLM-5.3-Flash بـ 320 مليارًا.

لو صمد ذلك الرقم أمام إطار اختبار مستقل، لكان حديث الشهر. لكنه لا يصمد بعد، لسببٍ تذكره الورقة البحثية بصراحة. فقد بُني ZoomGainBench بخط المعالجة نفسه الذي أنتج بيانات التدريب، ويُدرجه جدول الاستئصال الخاص بالورقة نفسها تحت عمود عنوانه "Held-in." الأسئلة ليست أسئلة التدريب، لكنها مستخرجة من التوزيع نفسه بواسطة الآلية نفسها. وللنموذج المضبوط بدقة على ذلك التوزيع ميزة لا يملكها نموذج يُقيَّم بأسلوب zero-shot، وحجم هذه الميزة هو بالضبط ما لا يستطيع أحد خارج inclusionAI قياسه اليوم.

الأدلة من المجموعة المحجوزة أقل إثارةً وأكثر إقناعًا. يورد البحث متوسطًا عبر عشرة معايير محجوزة: 54.20 للنموذج Qwen3.5-4B غير المدرَّب، و60.96 للنموذج 4B المدرَّب بـZoomGain. إن متوسط تحسّن قدره 6.76 نقطة على معايير لم يرها التدريب قط نتيجة حقيقية. لكنه ليس الادعاء نفسه الذي يتحقق بالتغلب على نموذج يضم 2.8 تريليون معامل.

من الجدير بالملاحظة أيضًا أن هذا التفوق ليس موحّدًا. فبمقارنة 4B بقاعدته الخاصة عبر الجدول الرئيسي في الورقة:

• مكاسب كبيرة. Visual Probe من 43.30 إلى 57.28. O3-Bench من 54.20 إلى 63.19. Zoom Bench من 48.88 إلى 59.88. HR-Bench 4K من 81.25 إلى 87.25. BabyVision من 14.69 إلى 21.13.

• تحسينات معتدلة. MME-RealWorld-Lite من 57.89 إلى 61.59. MMStar من 66.80 إلى 72.53. HR-Bench 8K من 77.63 إلى 83.88. MMVP من 57.33 إلى 61.33.

• انحدار واحد.تُسجّل "Tree" بأسلوب TreeBench قيمة 49.38 قبل التدريب و49.14 بعده. إنه انخفاض بمقدار 0.24 نقطة، وهو ضمن حدود الضوضاء بدرجة كبيرة، لكنه وارد في الجدول بدلًا من أن يكون خارجًا عنه، وهذا مؤشر جيد بشأن الجدول.

Single-column scoreboard card titled ZoomGain-4B: what the repository says, with six rows: Parameters 4.54B, Parent model Qwen3.5-4B, ZoomGainBench 55.81 held-in, ten held-out benchmarks 60.96 versus 54.20, Hosted API none, Announcement none found, plus a footer noting the figures are vendor-reported and unaudited.

ما الذي لم يُؤكَّد حقًا؟

أربعة أمور، وهي أكثر أهمية من إخلاء المسؤولية المعتاد.

لا يوجد تقييم مستقل. ولا رقم واحد من طرف ثالث. إن 55.81، والمتوسط 60.96، و90.25 التي يبلغها 9B على HR-Bench 4K — كل ذلك هو قيام المؤلفين بقياس نموذجهم الخاص على أداتهم الخاصة. هذا أمر طبيعي في ورقة بحثية، وهو ليس دليلاً على أن هناك خطأ ما. لكنه يعني أن الأرقام ينبغي قراءتها على أنها ادعاءات.

لا توجد نقطة نهاية مستضافة. لا يسرد أيٌّ من نقطتي التحقق مزوّد استدلال. لا توجد واجهة برمجة تطبيقات، ولا بيئة تجريبية، ولا بطاقة أسعار. إذا كنت تريد استخدام هذا النموذج خلال الشهر القادم، فستقوم بتنزيل 8.42 GB وتشغيله بنفسك.

الاسم لا يتوافق مع عدد المعاملات في ثلاثة مواضع. يُسمّى النموذج 4B، وبطاقة GGUF تقول 4B، وشارة المستودع تقول 5B، بينما الإجمالي الفعلي في safetensors هو 4.54B. النصف مليار الإضافي هو مشفّر الرؤية والمُسقِط، وهذا هو التفسير المعتاد — لكن بطاقة لا تستطيع الحفاظ على اتساق رقم واحد في اليوم الأول لم تُراجَع، وهذا أمر من الإنصاف أخذه في الحسبان عند تقرير مقدار ما تثق به في الباقي.

لا يوجد بيان نوايا. هل سيكون هناك إصدار 30B؟ نسخة مستضافة؟ إصدار v2 مع معيار تقييم محجوز؟ لا شيء في المستودع يذكر ذلك. يسرد سجل التحديثات في README ثلاثة أسطر، جميعها بتاريخ 2026.11.11، وكلها تصف ما تم إصداره لا ما سيأتي لاحقًا.

Screenshot of the inclusionAI/ZoomGain GitHub repository, captured 11 November 2026, showing the repository name, description, commit history and file listing at the top level.

تشغيله اليوم دون مورّد

مسار GGUF هو المسار العملي، وله متطلب أساسي صارم: تحتاج إلى نسخة بناء من llama.cpp تدعم Q​wen3.5 متعدد الوسائط. توضح بطاقة النموذج صراحةً أن نموذج اللغة وmmproj الإسقاط ملفان منفصلان، وأن إدخال الصور يتطلب كليهما. يمرر مثال CLI -m للنموذج، --mmproj للإسقاط، --image للصورة، ويعمل عند درجة حرارة 0 مع تعطيل التفكير، وهو أيضًا ما يعتمد عليه إطار التقييم افتراضيًا. llama-server يعمل بالطريقة نفسها على المنفذ 8080. عند Q4_K_M لديك 2.71 GB من نموذج اللغة بالإضافة إلى إسقاط، وهو ما يتسع بارتياح على حاسوب محمول؛ وعند F16 تصل إلى 8.42 GB بالإضافة إلى الإسقاط، وهو ما يتطلب محطة عمل أو وحدة معالجة رسومات واحدة متوسطة المدى.

بالنسبة لأي استخدام مكثّف، تُعدّ vLLM 0.19.1 مع transformers 5.7.0 هي الحزمة المدعومة، ويأخذ سكربت التقييم الخاص بالمستودع نفسه MODEL_PATH، وGPUS كقائمة، وLANGUAGE كمفتاح يشغّل الإنجليزية فقط، أو الصينية فقط، أو كليهما لـ 2,000 مهمة. هذا هيكل كافٍ لإعادة إنتاج الأرقام المبلَّغ عنها على عتادك الخاص، وهو أكثر مما توفره معظم الإصدارات الهادئة.

إذا كنت تفضّل ألا تُشغّل وحدة GPU لتعرف ما إذا كان هذا النهج يستحق العناء أصلًا، فإن الخطوة المؤقتة الصادقة هي بناء نموذج أولي لحلقة القصّ والسؤال مقابل نموذج رؤية مستضاف يمكنك استدعاؤه اليوم. يضم كتالوجنا Qwen3-VL-8B بسعر 0.18 دولار للإدخال و0.70 دولار للإخراج لكل مليون رمز، وخط Qwen3.5 من qwen3.5-35b-a3b بسعر يبدأ من 0.057 و0.459 دولار — مفتاح واحد، بلا عقد لكل بائع، وقاعدة توجيه تُحوّل إلى نموذج ثانٍ إذا تعطّل الأول. ZoomGain-4B نفسه ليس في كتالوجنا ولن أدّعي غير ذلك؛ الغاية من هذا التحويل عبر النموذج المستضاف هي تحديد ما إذا كانت أسئلة التفاصيل الدقيقة هي ما يخطئ فيه منتجك فعلًا، قبل أن تنفق أسبوعًا على نموذج 4B مستضاف ذاتيًا لا يجيب عنها إلا أفضل من النموذج الأب الخاص به.

ما الذي سيحوّل هذا من مجرد فضول إلى قرار؟

ثلاث إشارات، مرتبة حسب مقدار ما ستخبرك به. أولاً، تشغيل مستقل لـ ZoomGainBench من قبل شخص لا مصلحة له في خط الأنابيب — فالاختبار المعياري عام، وأداة التشغيل موجودة في المستودع، وحاجز الدخول هو وحدة معالجة رسومات (GPU) وبعد ظهيرة واحد، لذا من المرجح أن يحدث هذا قبل أي من الإشارات الأخرى. ثانياً، امتداد محجوز: إذا ردّ المؤلفون على الاعتراض الواضح عبر التقييم على اختبار معياري لم يشاركوا في بنائه، فإن 55.81 يتوقف عن كونه رقماً عن مجموعة اختبارهم الخاصة. ثالثاً، نشر مستضاف، من شأنه أن يخبرك بأن الأوزان قابلة للخدمة فعلاً بزمن استجابة مقبول، لا مجرد قابلة للتنزيل.

إلى أن يتحقق أحد تلك الأمور، ليس الوصف الصحيح لـ ZoomGain-4B هو «نموذج رؤية صغير يتفوق على النماذج الحدودية». بل هو: نشرت مجموعة بحثية وصفة تدريب ترفع نموذج رؤية بحجم 4B بمقدار 6.76 نقطة في المتوسط عبر عشرة معايير تقييم لم يتدرّب عليها، ونشرت في الوقت نفسه معيار تقييم يُظهر أن الحيلة نفسها تنتج رقمًا أكبر بكثير على أسئلة بُنيت بالطريقة نفسها. النصف الأول هو الاكتشاف. والنصف الثاني هو التسويق، وقد وصل دون بيان صحفي، وهو على الأقل ترتيب منعش لوصول هذين الأمرين.