ZoomGain-4B مقابل Qwen3.8-27B: تفوّق الـ11 نقطة يتعلّق بمجموعة بيانات، لا بنموذج

الرقم الذي يجعل هذه المواجهة تستحق صفحة هو 55.81 مقابل 44.81. على ZoomGainBench، المعيار المكوّن من 1,000 سؤال للتفاصيل الدقيقة والمنشور إلى جانب نموذج inclusionAI،ZoomGain-4B، وهو نموذج رؤية بـ4.54 مليار معامل يسجل نتيجة أعلى بإحدى عشرة نقطة من Qwen3.8-27B، وهو نموذج كثيف بـ27.78 مليار معامل أصدرته Alibaba بموجب Apache 2.0 في أغسطس، ويقرأ الصور والفيديو والنصوص على حد سواء. بستة أضعاف عدد المعاملات، ومع ذلك يخسر بفارق إحدى عشرة نقطة. اقرأ الورقة البحثية التي أنتجت كلا الرقمين، فلن يبقى الفارق ادعاءً يتعلق بقدرة الإبصار: فقد بُني ZoomGainBench بواسطة خط الأنابيب الآلي نفسه الذي ولّد بيانات تدريب ZoomGain-4B، ويقول المؤلفون ذلك بأنفسهم في دراسة الاستئصال، والنموذج الذي كانوا يتنافسون معه فعليًا ليس Qwen3.8-27B على الإطلاق — بل مجموعة بيانات أخرى.

ليس هذا تفنيدًا. بل هو الشيء الأكثر فائدة في الإصدار، وهو ما يجعل المقارنة قابلة للحسم: يخبرك بأيّ النموذجين ينبغي أن تلجأ إليه، وأيّ رقم تستشهد به عندما يطلب منك أحدهم تبرير الاختيار. وما يلي يفصل بين الادعاءات الثلاثة التي تُجمَّع معًا هنا — أن نموذجًا صغيرًا متخصصًا يتفوق على نموذج كبير عام، وأن خط أنابيب بيانات يتفوق على خط أنابيب بيانات آخر، وأن أيًّا من هذين سبب لتغيير مكدسك التقني هذا الشهر.

ما الذي صدر، وبأي هدوء

أُنشئ مستودع ZoomGain-4B على Hugging Face في 10 نوفمبر 2026 الساعة 11:38 UTC، وآخر تعديل عليه في 11 نوفمبر. قُدِّمت الورقة البحثية arXiv 2611.14076 في 10 نوفمبر. وسُجّل نشاط على مستودع GGUF عند 03:13 UTC في 11 نوفمبر. في وقت كتابة هذا النص، يُظهر كلا المستودعين صفر تنزيلات وصفر إعجابات، ولا يوجد مزوّد استدلال مرتبط بالنموذج، ولا توجد أي منشورة إطلاق من البائع أو تدوينة أو بيان صحفي خاص به. قائمة Updates في بطاقة النموذج نفسها، المؤرخة في 11 نوفمبر، هي الإعلان الوحيد: ثلاثة أسطر تقول إن الورقة البحثية والمعيار المرجعي ومجموعة بيانات RL ونقاط التحقق متاحة.

إذن فالصياغة الصادقة هي أنه صدر بهدوء ولم يُعلَن عنه. كل ما يرد أدناه مما يأتي من مستودع يمكن التحقق منه اليوم؛ أما أي شيء يتعلق بكيفية تصرّف النموذج خارج بيئة الاختبار الخاصة بالمؤلفين فلم يتأكد بعد، لأن لا أحد خارج Ant Group وجامعة تشجيانغ قد شغّله وقدّم تقريرًا عنه.

تفصيلان من المستودع يجدر بك معرفتهما قبل بدء المقارنة، لأن كليهما يضيّق نطاق ما يمكنك فعله به.

• البنية. نسخة مشتقة من Qwen3.5-4B — 32 طبقة، وحجم مخفي 2,560، و16 رأس استعلام مقابل 4 رؤوس KV بأبعاد رأس 256، وجدول 3:1 من DeltaNet الخطي إلى الانتباه الكامل، و262,144 موضعًا أقصى، ومفردات من 248,320 رمزًا، ومُرمِّز رؤية من 24 طبقة بحجم مخفي 1,024. الإجمالي، بما في ذلك المُرمِّز والمُسقِط، هو 4,539,265,536 معاملًا.

• الترخيص. يغطي قسم الترخيص في البطاقة الشيفرة، وهي Apache 2.0، ثم يحيل: «راجع بطاقات Hugging Face للاطلاع على شروط كل مجموعة بيانات ونقطة تحقق». لا تحمل بطاقة نقطة التحقق أي وسم ترخيص على الإطلاق. Qwen3.8-27B مرخّص بموجب Apache 2.0 بصيغة لا لبس فيها. إذا كنت بحاجة إلى ترخيص يمكنك تسليمه لمحامٍ، فإن عدم التماثل هذا هو أول ما تصطدم به، ولا يحلّه أي شيء في الإصدار.

القائمة الوحيدة التي يظهر فيها كلا الطرازين جنبًا إلى جنب

ZoomGainBench هو معيار تقييم ثنائي اللغة مكوَّن من 1,000 سؤال على 941 صورة: 472 سؤالاً للتعرف على السمات بخيارات من أربعة إلى ستة، و94 سؤال عدّ، و434 سؤال OCR، لكل منها نسخة إنجليزية ونسخة صينية، أي 2,000 حالة تقييم. شُغِّل ثمانية وعشرون نموذجاً عليه ضمن إطار اختبار واحد — بالرسالة النظامية نفسها، ودرجة حرارة 0، وتعطيل التفكير لكل نقطة تفتيش Q​wen، و2,048 رمز إخراج للنماذج غير الوكيلية. أفضل نتيجة في المجال هي GPT-5.6-Sol عند 61.08، وخمسة نماذج فقط تتجاوز 50.

يسجل Qwen3.8-27B إجماليًا 44.81: و43.84 في الإنجليزية من 40.25 في السمة، و54.26 في العد و45.49 في OCR، و45.78 في الصينية. ويسجل ZoomGain-4B، الوارد في جدول التدريب لا في جدول القياس، 55.81. وكلا الرقمين هو الإجمالي ثنائي اللغة وفق قواعد التقييم نفسها، لذا فهذه أقرب مقارنة مضبوطة تتيحها الإصدارة، وعليها يفوز طراز 4B بفارق 11.00 نقطة.

• المعاملات. 4.54B مقابل 27.78B — فرق قدره 6.1× في الاتجاه الذي يجعل النتيجة مفاجئة.

• ما صُمّم كلٌّ منهما لفعله. ZoomGain-4B هو Qwen3.5-4B بعد إخضاعه لحقبة واحدة من GRPO على 9,000 سؤال مُستخرَج، و140 خطوة، وحجم دفعة 64، وثماني عمليات توليد لكل سؤال، ومعدل تعلّم 1e-6، دون حد KL. أما Qwen3.8-27B فهو نموذج كثيف عام مزوّد بوضع استدلال، واستدعاء أدوات، ومسار فيديو.

• بيانات التدريب. 9,000 سؤال لأحدهما. أما الآخر، فكامل مجموعة بيانات Alibaba للتدريب المسبق والتدريب اللاحق، غير معلومة الحجم.

• التوفر. ZoomGain-4B: ثلاث دقات GGUF وملف مُسقِط منفصل، دون نقطة نهاية مستضافة. Qwen3.8-27B: أوزان Apache 2.0، وبناء FP8، و7.4 مليون تنزيل، ونقاط نهاية يمكنك استدعاؤها اليوم.

المقارنة التي تُثبتها الورقة فعليًا

هذا هو الجزء الذي يضيع عندما يُختزل الإصدار إلى "4B يتفوق على 27B". احتاجت الورقة البحثية إلى خط أساس لبياناتها، وقد استخدمت واحدًا: ZwZ، وهي مجموعة بيانات ICML 2026 للإدراك الدقيق التفاصيل، بُنيت عبر التقطير من المنطقة إلى الصورة. عومل الجانبان معاملة متطابقة. جرى أخذ عينات من اثني عشر ألف صورة وتوليد 23,610 سؤالًا؛ أخذ المعيار 1,000؛ وأنتج الباقي 8,746 زوجًا من الأسئلة المطابقة للصور، وتم تكرار 254 منها على الجانبين للوصول بكل مجموعة إلى 9,000. الصور نفسها، ونقاط التحقق الأساسية نفسها، والمعلمات الفائقة نفسها، و140 خطوة نفسها. المتغير الوحيد هو الأسئلة.

تتفوق بيانات ZoomGain على بيانات ZwZ في كل محور يذكره البحث. على Qwen3.5-4B ترتفع نتيجة held-in من 40.99 إلى 55.81، ويرتفع متوسط held-out عبر ثلاثة عشر معيارًا من 58.94 إلى 63.96؛ وعلى Qwen3.5-9B يكون الزوج نفسه من الأرقام من 44.07 إلى 55.48 ومن 62.53 إلى 66.10. هذه نتيجة حقيقية ومضبوطة جيدًا بشأن كيفية توليد الإشراف، وهي الإسهام الذي يعنيه عنوان البحث.

لا يضيف Qwen3.8-27B شيئًا إلى تلك الحجة. فهو يظهر مرة واحدة، كصف واحد ضمن 27 نموذجًا آخر خضع للتقييم المعياري. إنه مقياس مرجعي — نموذج عام كفؤ قيس على توزيع لم يُدرَّب عليه أحد — وليس منافسًا. ويوضح نص الورقة نفسه صراحةً أن الفجوة التي يستغلها مشتركة: فمشتتات الخطأ ذات الرؤية الشاملة تمثل 71.7% من جميع الإجابات غير الصحيحة عبر النماذج الـ28 كافة، وهو أعلى من نسبة 54.5% التي كان سيُنتجها اختيار عشوائي من بين الخيارات، كما تُظهر النماذج الأربعة المغلقة المصدر التي لم تشارك في بناء المعيار المرجعي السلوك نفسه بنسبة 75.7% مقابل 57.4% متوقعة.

الاستئصال هو أقوى حجة ضد العنوان الرئيسي.

أجرى المؤلفون فحص التحقق البديهي على أنفسهم، والنتيجة هي الجدول الأكثر إفادة في الورقة. أعادوا التدريب على الأسئلة نفسها وعددها 9,000 مرتين، مع إزالة أحد الخيارين التصميميين اللذين يحددان مسار عملهم في كل مرة: القاعدة التي تقضي بأن تُبنى الأسئلة فقط من تفاصيل غير مرئية في الصورة الكاملة، ومرحلة التوليد المخصصة للمشتتات.

• خط الأنابيب الكامل. ZoomGainBench 55.81؛ والمتوسط عبر الاختبارات المرجعية العشرة المحجوزة التي يوردها تحليل الاستئصال، 60.96.

• تمت إزالة المشتتات المخصصة. سجّل ZoomGainBench 46.85 — بخسارة قدرها 8.96 نقطة في الاختبار المحتفظ به — ومتوسط المعايير العشرة 59.14، بخسارة قدرها 1.82.

• تمت إزالة الأدلة التراكمية. ZoomGainBench 49.71، بخسارة قدرها 6.10 — ومتوسط المعايير العشرة 58.57، بخسارة قدرها 2.39.

كلا خياري التصميم يساويان من ست إلى تسع نقاط على ZoomGainBench ونقطتين تقريبًا على كل ما عدا ذلك. ويذكر المؤلفون السبب بوضوح: إن إزالة المشتتات المخصصة "تسبب أكبر انخفاض على ZoomGainBench المُحتجَز" لأن "خيارات المعيار تُبنى باستخدام نفس خط الأنابيب". بعبارة أخرى، نحو ثلاثة أرباع المكسب الرئيسي على المعيار الذي أنتج الرقم الرئيسي هو تعلّم النموذج الإجابة عن نوع الأسئلة التي يكتبها خط الأنابيب، وليس تعلّمه الرؤية على نحو أفضل.

ما يبقى من ذلك لا يزال جوهريًا. على المعايير الثلاثة عشر التي لم يمسّها التدريب، ينتقل Qwen3.5-4B من 57.86 إلى 63.96 — أي 6.10 نقاط من 9,000 عيّنة — مع أكبر المكاسب في العائلة نفسها التي تستهدفها خطّ المعالجة: HR-Bench 4K من 81.25 إلى 87.25، وV*Bench من 81.68 إلى 90.05، وVisualProbe من 43.30 إلى 57.28، وO3-Bench من 54.20 إلى 63.19. وهناك معيار واحد يتراجع: TreeBench من 49.38 إلى 49.14، أي خُمس نقطة. أما MMStar، وهي مجموعة عامة متعددة الوسائط، فتنتقل من 66.80 إلى 72.53، ويبقى BabyVision ضعيفًا عند 21.13.

هذا النمط هو بصمة تدخّل ضيّق النطاق، وهو النمط الذي ينبغي أن تخطّط على أساسه. تحسّن النموذج في حلّ الأشياء الصغيرة داخل المشهد. لم يصبح معمّمًا أفضل، والحساب الذي يقول بخلاف ذلك هو حسابٌ على معياره الخاص.

ما الذي يطلبه المعيار فعليًا، لأن ذلك هو ما ستشتريه

إذا كان الاستخدام المقصود هو التحقق من التفاصيل الدقيقة، فإن تكوين الاختبار يهم أكثر من الدرجة الإجمالية، ويقدّم تحليل الأخطاء في الورقة تفصيلاً ملموسًا على نحو غير معتاد بشأن ذلك.

• المراسي الصغيرة تهيمن. ترتفع الدقة مع زيادة نسبة الصورة التي تشغلها التفصيلة المستعلم عنها، لدى كل مجموعة من مجموعات النماذج: وبحساب المتوسط على جميع النماذج الـ28، فإنها تزداد من 28.9% في أصغر ربيع، حيث تغطي المرساة أقل من 0.4% من الصورة، إلى 55.2% في أكبر ربيع.

• العدّ هو عدّ الأعداد الصغيرة. 67 من أصل 94 سؤال عدّ لديها إجابة مرجعية لا تتجاوز ثلاثة، و71.6% من الإجابات الرقمية الخاطئة تختلف بمقدار واحد بالضبط. تكمن الصعوبة في حسم حالات قليلة صغيرة، لا في تعداد الكثير.

• التعرّف على السمات هو الفئة الصعبة. فهي تُنتج أدنى درجة لدى 23 من أصل 28 نموذجًا، والتخمين بشكل متساوٍ بين الخيارات كان سيعطي بالفعل نحو 21.5%.

• نمط الفشل هو الاستبدال المعقول في سياق المشهد. في حالة موثقة، تسمّي 46 من 56 تقييمًا جسمًا أبيض على لوحة عدادات شاحنة بالبرتقالي — وهو على الأرجح لون السترة التي يرتديها العامل الواقف أمامه. وفي حالة أخرى، تذكر كل التقييمات تقريبًا علامة تجارية لمعدات الهوكي بدلًا من الشعار المطبوع فعليًا على الثوب. لا تقول النماذج "لا أستطيع رؤيته"؛ بل تجيب من السياق.

نمط الفشل هذا هو الحجة العملية على هذا النوع من التدريب، لأنه هو نفسه ما يجعل خط معالجة المستندات يخطئ بصمت في فاتورة ممسوحة ضوئيًا. وهو أيضًا الحجة على قياسه: فالنموذج الذي يستبدل إجابة معقولة يُنتج مخرجات واثقة، فلا شيء في المراحل اللاحقة يكتشف ذلك.

حيث يوجد Qwen3.8-27B في غرفة مختلفة

الرقم 44.81 حقيقي، وهو أيضًا الرقم الوحيد في هذه المقالة الذي يُحكَم به على Qwen3.8-27B هنا. فبطاقته الخاصة تُبلِغ عن مجموعة مختلفة تمامًا من الأمور، ولا يمكن مقارنة أيٍّ منها بأرقام ZoomGain لأن النموذجين لم يُشغَّلا قط على منصة الاختبار نفسها لقياسها.

• البرمجة الوكيلية. Terminal Bench 2.1 بنتيجة 73.0، وSWE-bench Pro 61.7، وLiveCodeBench v6 90.3، وQwenSWEBench 79.0 — وجميعها مُبلَّغ عنها من الجهة المصنّعة على بطاقة Qwen الخاصة، مع نشر ملاحظات أداة الاختبار إلى جانبها.

• الاستدلال واستخدام الحاسوب. GPQA Diamond 89.2, HLE 30.8, OSWorld-Verified 84.3, WebArena-Verified 64.8.

• العمل متعدد الوسائط. OmniDocBench 1.5 عند 91.1، واستدلال CharXiv عند 83.7 دون حقن سلسلة التفكير و90.2 معه، وRealWorldQA عند 85.9، وMathVision عند 90.0.

• سطح القدرات. التفكير مفعّل افتراضيًا مع reasoning_effort عند xhigh أو medium أو low، مع الحفاظ على التفكير عبر الأدوار، واستدعاء الأدوات الأصلي، والمخرجات المهيكلة، وإدخال الفيديو، و262,144 موضعًا أصليًا وقابلة للتوسعة إلى مليون.

لم يُقيَّم ZoomGain-4B على أيٍّ من هذه الأمور، ولا يُتوقَّع أن يحقق أداءً جيدًا في أيٍّ منها: فلم يمسّ تدريبه البرمجة ولا مهام الطرفية ولا المستندات ولا المخططات. كما أنه لا يوجد تقييم مُعلَن عنه له في وضع التفكير — فأداة الاختبار الخاصة بالإصدار نفسه تعمل بتعطيل التفكير عند درجة حرارة 0، ومن ثم فإن كل ما نُشر عنه يصف سلوكه في الإجابة المباشرة. وقد قِيسَ الرقم 44.81 الخاص بـ Qwen3.8-27B بالطريقة نفسها، مع enable_thinking=false، وهو الأمر الوحيد الذي يجعل المقارنة منصفة والأمر الوحيد الذي يترك أفضل وضع لدى Q​wen دون اختبار.

بصراحة: على المحور الذي دُرّب عليه ZoomGain-4B، فهو يفوز، وعلى المحاور التي صُمّم من أجلها Qwen3.8-27B، فإن نموذج الـ4B ليس في الغرفة. لا شيء من ذلك مفاجئ، والتعامل مع أيٍّ منهما على أنه القصة كاملة هو ما يجعل صفحة المقارنة عديمة الفائدة.

كم تكلّف تكلفة إطلاق كل واحد منها، والواحد الذي يمكنك الاتصال به اليوم

هنا يختلف الاثنان على نحوٍ يحدد عملية النشر بدلًا من الاختبار المرجعي.

لا يملك ZoomGain-4B أي نقطة وصول مستضافة في أي مكان. ما هو موجود هو مستودع BF16، و4.54 مليار معامل موزعة بين نموذج لغوي ومُرمِّز رؤية منفصل، وثلاثة إصدارات GGUF: ‏Q4_K_M بحجم 2.71 GB، وQ8_0 بحجم 4.48 GB، وF16 بحجم 8.42 GB، كل منها مقترن بمُسقِط mmproj الخاص به — 0.23 GB و0.36 GB و0.67 GB على الترتيب — والذي تنص بطاقة GGUF على أنه مطلوب لإدخال الصور. تشغيله يعني استخدام llama-mtmd-cli أو llama-server من بناء llama.cpp حديث بما يكفي ليعرف تعدد الوسائط في Qwen3.5؛ وتشغيله بالدقة الكاملة يعني vLLM 0.19.1 مع transformers 5.7.0. لا يوجد بناء MLX، ولا ONNX، ولا نموذج مسودة لفك التشفير التخميني، ولا مزوّد يمكن الرجوع إليه إذا تعطّل البناء لديك.

Qwen3.8-27B موجود في كتالوج OrcaRouter، ونشغّل تلك الأوزان على بنيتنا التحتية الخاصة بدلاً من إعادة بيع نقطة نهاية طرف آخر — ولهذا فإن السعر على صفحة الطراز لدينا هو السعر نفسه، دون أي هامش ربح مضاف فوقه ودون رفع سعر قائمة مورّد في المنتصف. وهو 0.33 دولار لكل مليون رمز إدخال و2.40 دولار لكل مليون رمز إخراج، نص وصورة وفيديو كإدخال، و262,144 رمزًا من السياق، ومفتاح واحد. يصل المفتاح نفسه أيضًا إلى Qwen3.8-Flash بسعر 0.15 و0.47 دولار لكل مليون مع نافذة تبلغ مليون رمز، وإلى Qwen3.8-Max بسعر 2.00 و6.00 دولارات، لذا فإن عبء عمل يتجاوز 27B أو يحتاج إلى نافذة أطول ينتقل دون عقد ثانٍ أو تغيير في الشيفرة. الفشل التلقائي (Failover) هو الجزء المهم لأي شيء بمستوى الإنتاج: المزوّد المتعطل يعيد المحاولة قبل أن يبدأ الرد بدلاً من أن يفعل ذلك بعد انتهاء مهلة طلبك.

ZoomGain-4B ليس في ذلك الكتالوج ولا يمكن استدعاؤه عبرنا. إنه مجلد أوزان تستضيفه بنفسك، والنسخة الصادقة من التوصية يجب أن تبدأ من هناك.

من ينبغي أن يتصرّف، وما الذي لا يزال غير مؤكّد؟

إذا كانت لديك أعمال تعتمد اعتمادًا كبيرًا على الصور، ويكون الجواب فيها رهنًا بتفصيل صغير — رقم قطعة على ملصق، أو لون على شاشة، أو ما إذا كان هناك برغيان أم ثلاثة — فإن نموذجًا بحجم 4.54B جرى تدريبه بتعلّم معزّز خصيصًا على ذلك، ويعمل محليًا بحجم 2.71 GB بصيغة Q4_K_M، يُعدّ رأيًا ثانيًا رخيصًا وموثوقًا يُشغَّل إلى جانب نموذج عام متخصص مستضاف. لا بديلًا عنه. فملف الإخفاق لدى النموذج المتخصص هو الاستبدال الواثق، وهو بالضبط الإخفاق الذي يلتقطه فحص النموذج العام، والعكس بالعكس.

إذا كان عبء عملك يتمثل في المستندات أو المخططات أو لقطات الشاشة أو الفيديو أو الشيفرة أو الوكلاء، فإن 27B هو الخيار الذي ينبغي اللجوء إليه، ونتيجة 44.81 في معيار للتفاصيل الدقيقة لم يُدرَّب عليه ليس سببًا للاعتقاد بخلاف ذلك.

ما يبقى غير مؤكد، ويستحق المراقبة بدلاً من الافتراض:

• ترخيص الأوزان. يغطي Apache 2.0 الشيفرة. لا تحمل نقطة التحقق أي وسم ترخيص، وتُحيل البطاقة إلى «شروط كل مجموعة بيانات ونقطة تحقق» دون أن تذكرها. وإلى أن يُحسم ذلك، فإن النشر التجاري محادثة مع محامٍ، وليس مجرد خانة اختيار.

• أي إعادة إنتاج.كل رقم أعلاه مُبلَّغ عنه من المؤلفين، وأُنتِج باستخدام أدوات الاختبار الخاصة بالمؤلفين. المعيار التقييمي والمُقيِّم متاحان للعموم، لذا يمكن التحقق منه، لكن لم يتحقق منه أحد من خارج Ant Group وZhejiang University.

• هل يعمّم هذا المكسب خارج خط المعالجة. الأرقام المحجوزة للاختبار هي الجديرة بالثقة، وهي متواضعة — 6.10 نقاط فوق متوسط النموذج الأساسي عبر ثلاثة عشر معيارًا — وتميل بشدة نحو عائلة التفاصيل الدقيقة التي استهدفها التدريب. أما هل ينتقل ذلك إلى صورك، فسؤال مفتوح لا يجيب عنه الإصدار.

• ما إذا كان يصمد عند Q4. تحذّر بطاقة GGUF من أن التكميم قد يؤثر على الدقة، ولا يوجد أي شيء منشور يقارن النسخ المكمّمة بنقطة التحقق BF16 على ZoomGainBench. وبالنسبة لنموذج تكمن قيمته كلها في التفاصيل الدقيقة، فهذه هي التجربة التي ينبغي إجراؤها قبل أن تثق بملف بحجم 2.71 GB.