ZoomGain-4B مقابل MiniCPM5 2B: قابلية النقل هي المعيار الذي لا ينشره أحد

ثمة رقم مفقود من بطاقتي الطرازين، وهو الرقم الذي يحسم معظم عمليات النشر. MiniCPM5-2B يُشحن في نسخ GGUF وMLX وGPTQ وLiteRT، وله نموذج مسودة DSpark لفك الترميز التخميني، والتفصيل الأكثر دلالة — أنه يحمل نسخ FlagOS لتسع عائلات مختلفة من المسرعات تشمل Ascend وHygon وKunlunxin وMetax. ZoomGain-4B يُشحن في GGUF بثلاث دقات عددية ويتطلب، بعبارة البطاقة نفسها، "نسخة llama.cpp بدعم Qwen3.5 متعدد الوسائط." أحد هذين الطرازين يعمل في أي مكان تقريبًا. أما الآخر فيعمل حيث يمكنك بناء وقت تشغيل محدد. لا تصف أي من البطاقتين هذا بأنه اختبار قياسي، وبالنسبة لأي شخص عليه تشغيل طراز فعليًا بدلًا من الاستشهاد به، فهذا هو الصف الذي يهم أكثر من عمود الدقة في أي من الطرازين.

هذا التأطير ليس طريقة للتهرب من مقارنة الدقة — فهي تأتي لاحقًا، وتبيّن أن مقارنة الدقة أقل حسمًا مما تبدو، لأن النموذجين لا يُقاسان على المحور نفسه ولا يمكن أن يُقاسا عليه. إن MiniCPM5-2B من OpenBMB نموذج نصي: 2.52 مليار معامل، صدر في 6 سبتمبر 2026، ومضبوط للوكلاء واستدعاءات الأدوات والبرمجة والسياق الطويل. أما ZoomGain-4B من inclusionAI فهو متخصص في الرؤية واللغة نُشر في 11 نوفمبر 2026، ودُرّب بالتعلم المعزز على أسئلة تتعلق بالتفاصيل البصرية الدقيقة. فيما يلي ما يُقاس عليه كل منهما، وتكلفة إعداد كل منهما، وأين يقع الخط الفاصل الصادق.

الصف المفقود: ما يتطلبه تشغيل كل واحد منها

ابدأ بقائمة الأرتيفاكت، لأنها أكثر الأشياء الملموسة التي قدّمها لك أيٌّ من الناشرين.

• MiniCPM5-2B. محوّل سببي كثيف على فئة LlamaForCausalLM القياسية — 42 طبقة، وGQA مع 16 رأس استعلام و2 رأس KV، وسياق من 131,072 رمزًا، وإجمالي 2,516,756,480 معاملًا منها 1,981,982,720 غير تضمين. ولأن البنية قياسية، فإنها ترث كل مسار خدمة كتبه أي شخص بالفعل للنماذج ذات شكل Llama. تنشر المنظمة نسخ SFT وMidtrain وBase كمستودعات منفصلة، بالإضافة إلى تكميمات GGUF وMLX وGPTQ، بالإضافة إلى نموذج مسودة DSpark لفك الترميز التخميني، بالإضافة إلى LiteRT لأندرويد على الجهاز، بالإضافة إلى شقيق بحجم 1B بالمグループ نفسها من النسخ.

• ZoomGain-4B. 4,539,265,536 معاملًا بصيغة BF16 موزعة على نموذج لغوي ومشفّر رؤية منفصل. ثلاث درجات دقة GGUF — Q4_K_M بحجم 2.71 GB، وQ8_0 بحجم 4.48 GB، وF16 بحجم 8.42 GB — كل منها مقترن بملف إسقاط mmproj تقول البطاقة إنه إلزامي لإدخال الصور. لا نسخة MLX، ولا GPTQ، ولا ONNX، ولا نموذج مسودة. بيئة التشغيل الوحيدة المذكورة هي llama.cpp مع دعم Qwen3.5 متعدد الوسائط، وهو شرط أضيق مما يبدو: تحتاج إلى build حديث بما يكفي لمعرفة qwen35 كمعمارية، وتخبرك البطاقة بتقديم الملفين كليهما صراحةً بدلًا من الإشارة إلى مسار جاهز.

عدم التماثل هذا ليس انتقادًا لـ inclusionAI. فمن غير المتوقع أن يمتلك نموذج رؤية نُشر قبل تسعة أيام ولم يُعلَن عنه قط بيئة تشغيل على Android. الأمر ببساطة هو الوضع القائم، وهو يعني أن النموذجين غير قابلين للتبادل في البُعد الذي يكلّف المال: فـ MiniCPM5-2B سيعمل على العتاد الذي تملكه بالفعل، بما في ذلك هاتف؛ أما ZoomGain-4B فسيعمل على GPU، وفي بيئة تشغيل قد تضطر إلى تجميعها، ولن يعمل في أي مكان آخر.

تعريفان مختلفان لكلمة "صغير"

يُطلق على كليهما اسم النماذج الصغيرة، والكلمة تؤدي وظيفة مختلفة في كل حالة.

• معاملات، محسوبة بصدق. يمتلك MiniCPM5-2B عدد 1.98B من المعاملات غير التضمينية — وهو الرقم الذي يحكم الحوسبة لكل رمز — ضمن إجمالي 2.52B. ويمتلك ZoomGain-4B إجمالي 4.54B، ونحو نصف مليار من ذلك هو مُرمّز الرؤية والمُسقِط. وإذا أزلنا حزمة الرؤية، فإن العمودين الفقريين اللغويين يكونان ضمن خطأ تقريب من الحجم نفسه. ويأتي الاختلاف في السلوك من ما دُرّب فوقهما، لا من الحجم.

• ما الذي كان التدريب يهدف إليه.تُدرج بطاقة MiniCPM5-2B أقوى مجالاته على أنها الاستدلال البرمجي والرياضي، وفهم السياقات الطويلة، واستخدام الأدوات والمهام الوكيلية، وتحدد هدفه بأنه المساعدون المحليون ووكلاء البرمجة والنشر على الأجهزة. أما بطاقة ZoomGain-4B فتتعلق بأمر واحد: ما إذا كان النموذج يستطيع الإجابة عن سؤال لا تكون إجابته مرئية إلا عند التكبير في الصورة.

• ما اختار كل ناشر أن يسلّمه. نشرت OpenBMB سلسلة المتغيّرات الكاملة لـ MiniCPM5 — الأساسي، والمتدرّب تدريبًا متوسطًا، وSFT، والنهائي RL-plus-OPD، إضافةً إلى نموذج مسوّدة وملفات ثنائية مبنية مسبقًا لتسع عائلات من الشرائح. ونشرت inclusionAI ثلاثة مستودعات نماذج ومجموعتي بيانات ومستودع شيفرة يضمّ خط أنابيب بناء البيانات ومشغّلات GRPO. أحدهما خط منتجات؛ والآخر إصدار بحثي مرفق بدفتر مختبره.

• الترخيص.MiniCPM5-2B مرخّص بموجب Apache 2.0 على بطاقة النموذج، ويُطبّق ذلك على كلٍ من المستودع والأوزان. أما شيفرة ZoomGain فهي Apache 2.0، وتُحال شروط نقطة التحقق إلى مستودع نقطة التحقق، الذي لا يحمل حتى هذا الأسبوع أي وسم ترخيص في بياناته الوصفية. اقرأ الملف قبل الإطلاق.

أعمدة المعيار، وأسباب عدم استيفائها

لا يوجد أي معيار تقييم مشترك بين هذين النموذجين. ولا حتى واحد. إنّ ZoomGainBench عبارة عن مجموعة أسئلة حول الصور الفوتوغرافية، ولا يمتلك MiniCPM5-2B مُرمِّز صور؛ وكل معيار تقييم آخر في جدول MiniCPM5 نصّي، ولم يُشغَّل ZoomGain-4B على أي منها قط. لذا بدلًا من مواجهة مباشرة، إليك ما قاسه كل ناشر فعليًا، مع إبقائه منفصلًا عمدًا.

MiniCPM5-2B، وفقًا لما أبلغت به الشركة المصنعة، بمتوسط 53.9 عبر مجموعة اختباراتها:

• البرمجة — LiveCodeBench v6 69.1، OJBench 32.5، SWE-bench Verified 46.4.

• الرياضيات — AIME 2025 86.5، AIME 2026 86.5، MATH-500 94.6.

• المعرفة — MMLU-Pro 70.8، GPQA-Diamond 70.2.

• سياق طويل — AA-LCR 59.0، NoLiMa 68.1، LongBench v2 43.7.

• استخدام الأدوات والوكلاء — τ²-Bench Telecom 97.1، BFCL v4 66.6، BrowseComp-ZH 43.5، GAIA Text-103 88.7.

ZoomGain-4B، وفقًا لما أفاد به البائع:

• الإدراك، معيار مُحتجَز داخليًا — 55.81 في ZoomGainBench مقابل 30.03 للنموذج الأصل Qwen3.5-4B الخاص به.

• متوسط الإدراك على البيانات المحجوزة — 60.96 عبر عشرة معايير لم يرها التدريب قط، مقابل 54.20 للنموذج الأصل. وهذا هو مكسب 6.76 نقطة الجدير بالاقتباس.

• التحولات الفردية في البيانات المحجوزة — Visual Probe من 43.30 إلى 57.28، وO3-Bench من 54.20 إلى 63.19، وHR-Bench 4K من 81.25 إلى 87.25، وMME-RealWorld-Lite من 57.89 إلى 61.59.

اقرأ هاتين القائمتين جنبًا إلى جنب، وسيتضح شكل القرار. لقد اختُبر MiniCPM5-2B على سبعة عشر أمرًا يهم المطوّر، ويحقق نتائج محترمة في جميعها تقريبًا؛ ورقم τ²-Bench Telecom البالغ 97.1 وGAIA Text-103 عند 88.7 هما الرقمان اللافتان، وهما ما يستند إليه تموضعه. أما ZoomGain-4B فقد اختُبر على الإدراك ولا شيء آخر تقريبًا، والمكسب الذي يقدّمه — نحو سبع نقاط في المتوسط، على معايير لم تُشاهد من قبل — حقيقي لكنه ضيّق.

لو احتجت جملة واحدة: MiniCPM5-2B نموذج صغير عام الغرض ذو ورقة معايير غير معتادة العمق، وZoomGain-4B نموذج متخصص يبلغ متوسط تحسنه سبع نقاط، لكن هذا التحسن سيكون غير مرئي على لوحة صدارة عامة لأن لوحة الصدارة العامة لا تتضمن الأسئلة التي يتفوق فيها.

حيث سيتعايش الاثنان فعليًا

أعباء العمل التي تكون فيها كلتا الأداتين الإجابة الصحيحة تتشارك الشكل نفسه: مستند، أو لقطة شاشة، أو صورة فوتوغرافية، أو نموذج. فلا بد لشيء ما أن ينظر إلى الصورة ويستخرج قيمة، ولا بد لشيء ما أن يتولى كل ما يأتي بعد ذلك — تحليل المخطط، واستدعاء الأداة الصحيحة، والتحقق، وإعادة المحاولة، والتحويل إلى إنسان.

الاستخراج على شكل ZoomGain. نص صغير، واقتصاصات ضيقة، وإجابة إما صحيحة وإما خاطئة، ونموذج دُرِّب صراحةً على الفرق بين قراءة ملصق داخل اقتصاص وقراءة الملصق نفسه داخل إطار كامل. وأرقام ZoomGain-4B المحجوزة على HR-Bench 4K (من 81.25 إلى 87.25 بعد التدريب) وMME-RealWorld-Lite هي بالضبط ملامح نموذج تحسّن في التفاصيل الكثيفة دون أن يسوء أداؤه في كل شيء آخر.

الباقي على غرار MiniCPM5، وفي استخدام الأدوات هو قوي بشكل غير معتاد بالنسبة لحجمه — فـ τ²-Bench Telecom عند 97.1 رقم لا تبلغه معظم النماذج الأكبر منه بثلاث مرات، وBFCL v4 عند 66.6 يقول إن استدعاء الدوال ليس مجرد عرض تجريبي.

تشغيل كليهما يعني بيئتَي تشغيل، وترخيصين، وشيئًا ثانيًا يمكن أن يتعطل. وهو أيضًا الموضع الذي يثبت فيه الراوتر قيمته بدلًا من أن يكون شعارًا: يذهب استدعاء الصور إلى نقطة نهاية الرؤية، وتذهب خطوة استدعاء الأدوات إلى نقطة النهاية النصية الرخيصة، وأي تعليق في أيٍّ منهما ينتقل تلقائيًا إلى الأخرى بدلًا من أن يظهر كخطأ 504 في خط الأنابيب لديك. مفتاح واحد، وفاتورة واحدة، ومنطق تجاوز الفشل في مكان واحد بدلًا من تكراره في حزمتَي SDK.

من المفيد أن نكون صريحين بشأن ما نوفره وما لا نوفره. MiniCPM5-2B ليس في كتالوجنا اليوم. نحن نستضيف عائلة Q​wen3.5 — نموذج 35B-A3B بسعر 0.057 دولار للإدخال و0.459 دولار للإخراج لكل مليون رمز، ونموذج 27B بسعر 0.086 و0.688، وكلاهما متعدد الوسائط — وهذه العائلة هي الأساس الذي دُرّب منه ZoomGain-4B، ما يجعلها أقرب تقريب مستضاف إذا أردت اختبار ما إذا كان القص والسؤال يحسّنان دقتك قبل الالتزام بنموذج 4B مستضاف ذاتيًا. أما الجانب الخاص باستدعاء الأدوات، فيمنحك الكتالوج نفسه شيئًا يمكنك استدعاءه اليوم. ما لا يمكننا فعله هو استضافة ZoomGain-4B، ولا يغيّر أي قدر من التوجيه ذلك: فهو ملف تنزيل، وليس API.

الحكم الصادق

اختر MiniCPM5-2B إذا كنت تريد نموذجًا صغيرًا يمكنك نشره هذا الأسبوع على عتاد تملكه بالفعل، ضمن بيئة تشغيل موجودة بالفعل، بترخيص Apache 2.0 وورقة قياسات واسعة بما يكفي للتنبؤ بكيفية أدائه. وهو الأكثر اكتمالًا بين الاثنين. فمعلماته غير التضمينية البالغة 1.98B تجعله رخيصًا لكل رمز، وأرقام استدعاء الأدوات لديه هي الأفضل في عموده، كما أن إصدارات مصنّعي الشرائح تعني أنه ليس خيارًا مخصصًا لمراكز البيانات فقط.

اختر ZoomGain-4B إذا كان الخطأ المحدد الذي تحاول التخلص منه بصريًا ودقيق التفاصيل، وكنت على استعداد لتشغيل وحدة معالجة رسومات (GPU) باستخدام نسخة بناء متخصصة من llama.cpp لإصلاحه. وتستند حجّته إلى رقم واحد موثوق — زيادة متوسطة قدرها 6.76 نقطة عبر عشرة معايير إدراك محتجزة مبنية على 9,000 عينة تدريب — وإلى معيار وبيانات وأداة اختبار تتيح لك التحقق من الادعاء بنفسك بدلًا من الوثوق به.

لا تختر أيًا منهما إذا لم تكن قد قست بعد ما يخطئ فيه خط المعالجة لديك. أضعف نتائج MiniCPM5-2B المنشورة هي في وكيل البحث واستدلال المستندات الطويلة (BrowseComp-ZH 43.5، وLongBench v2 43.7)، أما ZoomGain-4B فلم يُطرح عليه قط سؤال لا يتعلق بصورة. إن شراء أي منهما لحل مشكلة لم تحدد خصائصها بعد هو كيف تنتهي نماذج بثلاثة مليارات معامل في الإنتاج وهي لا تفعل شيئًا.

الخلاصة غير البراقة: النموذجان ليسا متنافسين، بل مرحلتان متجاورتان من المهمة نفسها، والسبب في استمرار تأطير هذه المقارنة كأنها مسابقة هو أن الاختبارات المعيارية أسهل في النشر من قابلية النقل. يفوز MiniCPM5-2B في العمود الذي يُنشر. ويفوز ZoomGain-4B في عمود غير موجود بعد، في مهمة واحدة، بفارق نحو سبع نقاط، ويأتي مع متطلب وقت تشغيل كان سيمنع معظم الفرق عند الباب.