تم إصدار ZoomGain-9B دون إعلان: ما يقوله المستودع فعليًا

نُشرت الورقة على arXiv في 10 نوفمبر 2026. أُنشئ مستودع GitHub قبل ذلك بيوم، في 9 نوفمبر، وعنوان أول إيداع فيه هو "Release ZoomGain init". ظهرت الأوزان على Hugging Face في 10 نوفمبر عند 11:42 UTC، تلاه مستودع GGUF في 11 نوفمبر عند 03:16. لا توجد تدوينة إطلاق، ولا إعلان من الجهة المطوّرة، ولا نقطة نهاية مستضافة، ولا وسم ترخيص على مستودع نقطة التحقق نفسه. هذا هو السجل العام الكامل لـ ZoomGain-9B، نموذج رؤية ولغة يحتوي على 9.4 مليار معامل من inclusionAI، الذراع المخصصة للنماذج المفتوحة لدى Ant Group، وهو سبب كتابة هذا المقال كقراءة لمستودع بدلًا من قصة إطلاق.

ما يجعلها تستحق الانتباه ليس التخفّي، بل إن المستودع مكتمل على نحو غير معتاد لشيء لم يُعلن عنه أحد: فالورقة، والمعيار المكوّن من 1,000 سؤال، ومجموعة بيانات التعلّم المعزّز المكوّنة من 9,000 سجل، والمقيّم، ومشغّل التدريب، ونقطتا تفتيش بحجم 4B و9B، وثلاث عمليات تكميم GGUF، كلها ظهرت خلال نحو يومين. يمكنك قراءة المنهج، وإعادة تشغيل التقييم، وإعادة إنتاج التدريب اليوم. الشيء الوحيد الناقص هو أن يقول أحد من الشركة إنه موجود.

ما الذي وصل فعليًا، بالترتيب

• 9 نوفمبر 2026 — يتم إنشاء مستودع inclusionAI على GitHub. يحمل ترخيص Apache 2.0 وشيفرة بناء البيانات والتدريب، وليس الأوزان.

• 10 نوفمبر 2026 — arXiv:2611.14076v1، "ZoomGain: التنقيب عن فجوات الإدراك بين المستوى العالمي والتقريب من أجل إشراف بصري دقيق"، بقلم Haozhan Shen وLiangbo He وJun Lan وHuijia Zhu وWeiqiang Wang وTiancheng Zhao وJianwei Yin، مع انتماءات إلى Ant Group وZhejiang University وOm AI Research وBinjiang Institute.

• 10 نوفمبر 2026، 11:42 UTC — يتم إنشاء inclusionAI/ZoomGain-9B وinclusionAI/ZoomGain-4B على Hub، كل منهما بملف واحد بصيغة BF16 safetensors بحجم 18.82 GB و9.08 GB على التوالي.

• 11 نوفمبر 2026، 03:16 UTC — يظهر inclusionAI/ZoomGain-9B-GGUF بإصدارات Q4_K_M وQ8_0 وF16، إضافةً إلى ملفات مُسقِط mmproj المطابقة، وهي الخطوة التي تحوّل نقطة تحقق بحثية إلى شيء يمكن لحاسوب محمول أن يحاول تشغيله.

تفصيل صغير جدير بالملاحظة، لأنه بالضبط نوع الأمر الذي لا ينتجه إطلاق منسّق: قسم «Updates» في بطاقة النموذج نفسها يؤرّخ الورقة البحثية والمعيار ومجموعة البيانات ونقاط الحفظ جميعها بتاريخ 2026.11.11، بينما يشير كل من الطابع الزمني لإنشاء المستودع وتاريخ تقديم arXiv إلى 10 نوفمبر. كُتبت البطاقة بعد الواقعة، دفعة واحدة، على يد شخص كان يقوم بالترتيب.

الفكرة، في فقرة واحدة، لأنها فكرة واحدة حقًا.

غالبًا ما يستطيع نموذج رؤية الإجابة عن سؤال يخص منطقة في صورة، لكنه يفشل عندما تظهر المنطقة نفسها داخل الإطار الكامل. يسمي المؤلفون ذلك فجوة الإدراك من العمومي إلى التقريب، ويحولونها إلى إشراف. المرحلة الأولى: تحدد عدة نماذج بشكل مستقل هدفًا موصوفًا في المشهد الكامل، ويحدد اتفاقها منطقةً لاقتصاصها. المرحلة الثانية: تُقارَن التعليقات النصية للاقتصاص بالتعليقات النصية للمشهد الكامل، وأي تفصيل يكشفه الاقتصاص ولا يكشفه العرض الكامل يصبح سؤالًا يُطرح عن الصورة الأصلية. المرحلة الثالثة: تُعاد مراجعة الإجابات على الاقتصاص، وتُستبعد الأسئلة الغامضة والأسئلة التي يمكن الإجابة عنها من افتراضات لغوية مسبقة، وتُولَّد مشتتات معقولة لصيغة الاختيار من متعدد.

التدريب هو GRPO على 9,000 سجل مبنية على 7,713 صورة مصدر — حقبة واحدة، وحجم دفعة 64، وثماني عمليات rollout لكل سؤال — باستخدام شيفرة EasyR1 المرفقة. تُجرى عملية التقييم افتراضيًا عند درجة حرارة 0 مع تعطيل تفكير Qwen3.5، وتبقى أسئلة OCR والعدّ مفتوحة النهاية بينما تتحول أسئلة السمات إلى اختيار من متعدد. لا شيء من ذلك غير معتاد في حد ذاته؛ غير المعتاد هو أن خط الأنابيب الذي ولّد بيانات التدريب ولّد أيضًا معيار التقييم، والورقة صريحة بشأن ذلك.

رقمان ليسا نفس الرقم

على ZoomGainBench — المعيار المكوّن من 1,000 سؤال و941 صورة باللغتين الإنجليزية والصينية، والذي بُني بواسطة خط المعالجة نفسه — يسجّل ZoomGain-9B نتيجة 55.48. ويسجّل نموذجه الأساسي Qwen3.5-9B نتيجة 32.13. وهذه قفزة بمقدار 23.35 نقطة على معيار استُخرجت منه بيانات تدريب النموذج نفسه، ولهذا السبب تحديدًا تسمّي الورقة العمود "Held-in".

الرقم الذي ينبغي حمله إلى قرار هو المتوسط على ثلاثة عشر معيارًا لم يمسّها التدريب قط، وهو يستبعد ZoomGainBench: 66.10 لـ ZoomGain-9B مقابل 59.75 لـ Qwen3.5-9B. زيادة متوسطة قدرها 6.35 نقطة من 9,000 عينة نتيجة متينة وموثوقة. كلا الرقمين حقيقي. إنهما يجيبان عن سؤالين مختلفين، وأي صفحة تقتبس 55.48 دون أن تقول "held-in" تخبرك بنصف الحقيقة.

ثمة غرابة ثانية في الجدول نفسه يبدو أن لا أحد لاحظها بعد: النموذج الأصغر يتفوق على 9B في المعيار المحتفظ به ضمن التدريب. يسجل ZoomGain-4B نتيجة 55.81 على ZoomGainBench مقابل 55.48 لـ9B، بينما يخسر متوسط المعيار المحتفظ به خارج التدريب بنتيجة 63.96 مقابل 66.10. على المعيار المبني من توزيع التدريب، يكون الاثنان متعادلين ضمن حدود الضجيج؛ وبمجرد أن تخرج من ذلك التوزيع، يستعيد الحجم حضوره. لو كنت تختار بينهما بناءً على رقم رئيسي واحد، لاخترت الخاطئ.

ما الذي اشترته 9,000 عينة، معيارًا تلو الآخر

جميع ما يلي أرقام أبلغ عنها المؤلفون من الجدول 3 في الورقة البحثية، جرى تشغيلها بواسطة أداة الاختبار الخاصة بالمؤلفين على المُقيِّم المنشور، ولم يُعِد إنتاجها أحد بشكل مستقل:

• HR-Bench 4K — 90.25، ارتفاعًا من 82.13. هذا هو الرقم الذي يفتتح به الملخص، وهو أقوى ادعاء في البيان.

• V*Bench — 93.19، ارتفاعًا من 86.91. اكتشاف الأجسام الصغيرة بدقة عالية.

• VisualProbe — 56.31، ارتفاعًا من 44.66. أكبر مكسب نسبي خارج معيار التقييم المحتجَز.

• O3-Bench — 68.12، ارتفاعًا من 56.52. إدراك واستدلال متعدد الخطوات.

• MMVP — 70.00، ارتفاعًا من 60.00. الاختبار الكلاسيكي للصور المزدوجة التي تختلف في تفصيل واحد.

• MMStar — 73.87، ارتفاعًا من 71.73. كفاءة عامة متعددة الوسائط، وهي أصغر زيادة في المجموعة.

• BabyVision — 17.53، ارتفاعًا من 15.98. لا يزال قريبًا من الحد الأدنى، وهو تذكير مفيد بأن المكاسب تتركّز في فئة التفاصيل الدقيقة بدلًا من أن تتوزّع بالتساوي.

عند قراءتها معًا، يتّسق النمط مع الطريقة لا مع قفزة عامة في القدرات: تقع أكبر الفروق في معايير التقييم التي تكافئ العثور على شيء صغير داخل إطار كبير، بينما تقع أصغرها في معايير التقييم التي تكافئ المعرفة الواسعة بالعالم والاستدلال البصري العادي. وهذا هو ما ينبغي أن تبدو عليه جولة تعلّم معزّز موجّهة على 9,000 سؤال من التفاصيل المقتطعة.

ما يمكن معرفته، وما يُدَّعى، وما ليس مؤكدًا ببساطة

ما يمكن معرفته من المستودع اليوم، دون الأخذ بكلام أي شخص: البنية المعمارية، لأن ملف التهيئة عام ويحدد جذعًا نصيًا Qwen3.5-9B مكوّنًا من 32 طبقة، بحجم مخفي 4,096، وحجم وسيط 12,288، وأقصى عدد مواضع 262,144، مغلّفًا ببرج رؤية؛ وبيانات التدريب، لأن ملف Parquet ذا 9,000 سجل والصور المصدرية تُتاح كمجموعة بيانات؛ والمنهج، لأن المطالبات موجودة في ملحق الورقة؛ والتقييم، لأن أداة التقييم والتعليقات التوضيحية والصور جميعها قابلة للتنزيل.

مزعومة لكن غير مؤكدة: كل درجة معيارية أعلاه. توردها الورقة على أداة الاختبار المنشورة، ما يجعلها أكثر قابلية للتحقق من معظم جداول المورّدين — يمكنك إعادة تشغيلها — لكن لم يفعل ذلك أحد خارج قائمة المؤلفين بعد، ولم ينشر أي مختبر مستقل نتيجة لـ ZoomGain-9B.

غير مؤكد إطلاقًا، ويستحق أن نكون صريحين بشأن ذلك:

• ترخيص نقطة التحقق. الشيفرة مرخّصة بموجب Apache 2.0، وبطاقة النموذج تنص على ذلك. غير أنّ البطاقة تُحيل بعد ذلك شروط النموذج ومجموعة البيانات إلى «بطاقات Hugging Face الخاصة بشروط كل مجموعة بيانات ونقطة تحقق»، ولا يحمل مستودع نقطة التحقق أي وسم ترخيص في بياناته الوصفية على Hub. هذه ثغرة ينبغي سدّها بقراءة الملفات قبل الشحن، وليست وعدًا يمكنك الاعتماد عليه.

• طول السياق. لا تذكر بطاقة النموذج أي قيمة. الحد الأقصى للمواضع البالغ 262,144 في الإعدادات موروث من جذع Qwen3.5-9B، وهو لا يكافئ خاصية مختبَرة لنقطة تحقق مدرَّبة بعد التدريب، كما أن كل تقييم في الورقة يُجرى على صورة واحدة مع تعطيل التفكير.

• السلوك العام للمساعد. لا شيء في الإصدار يختبر الدردشة، أو استدعاء الأدوات، أو التوليد الطويل، أو الاستخدام متعدد الأدوار. دُرِّب النموذج على الإجابة عن أسئلة حول الصور الفوتوغرافية، وهذه هي القدرة الوحيدة التي توجد أدلة تدعمها.

• أي مضيف. إن خريطة المزوّد الخاصة بالمستودع في Hub فارغة. لا توجد واجهة API من البائع ولا نقطة نهاية طرف ثالث مُدرجة، لذا فإن "تجربته" تعني حاليًا "تنزيل 18.82 GB".

سأشغّله هذا الأسبوع، إن كنت ترغب في ذلك.

مسار GGUF هو الخيار الأقل تكلفة: بناء Q4_K_M بحجم 5.63 GB بالإضافة إلى مُسقِط mmproj بحجم 0.52 GB، أو 9.53 GB عند Q8_0، أو 17.92 GB عند F16. يتطلب إدخال الصور كلا الملفين — فالمُسقِط ليس اختياريًا، ويُشترط وجود بناء llama.cpp يدعم الوسائط المتعددة في Qwen3.5. المسار المرجعي أثقل لكنه أفضل توثيقًا: vLLM 0.19.1 مع transformers 5.7.0، وهما بالضبط الإصداران اللذان قيّم بهما المؤلفون، على نقطة تحقق BF16 تتطلب بطاقة بسعة 24 GB كحد أدنى وهامشًا مريحًا فوق ذلك.

يجدر تخصيص ميزانية لبروتوكول التقييم فضلًا عن الأوزان. يشغّل المؤلفون عند درجة حرارة 0 مع تعطيل التفكير، ويقيّمون أسئلة السمات عبر المطابقة التامة للخيار المختار، والعدّ عبر المطابقة التامة للعدد الصحيح المتوقَّع، وOCR عبر ANLS بحد أدنى 0.7. إذا قيّمت مع تشغيل التفكير، أو باستخدام قالب مطالبة مختلف، فأنت تقيس شيئًا لم يبلّغ عنه المؤلفون، وينبغي ألا تتوقع انتقال أرقامهم.

لا تستضيف OrcaRouter نموذج ZoomGain-9B، ولن يتظاهر هذا المقال بغير ذلك. ما لدينا هو مفتاح واحد عبر أكثر من 200 نموذج بسعر قائمة المزوّد دون أي هامش ربح مضاف، وهذا مهم هنا لسبب محدد وعملي: أسرع طريقة لمعرفة ما إذا كانت أخطاء خط أنابيبك هي أخطاء تفاصيل دقيقة هي تمرير الصور نفسها عبر نموذج رؤية مستضاف ومقارنة حالات الفشل. Qwen3-VL-8B-Instruct في كتالوجنا يبلغ سعره 0.18 دولار لكل مليون رمز إدخال و0.70 دولار لكل مليون رمز إخراج عند سياق 131K، ويستقبل الصور والفيديو، ولن يضاهي نموذجًا دُرّب على أسئلة مستخرجة من المحاصيل — لكنه سيخبرك خلال ظهيرة واحدة ما إذا كانت وحدة GPU تستحق الشراء.

ما الذي قد يغيّر هذه القصة؟

أربعة أشياء، بترتيب تصاعدي وفق مقدار أهميتها. إعلان من inclusionAI، من شأنه أن يحوّل قراءة مستودع إلى إطلاق، ويرجّح أن يأتي مع توضيح بشأن الترخيص. وسم ترخيص لنقطة تحقق، من شأنه أن يحسم السؤال الوحيد الذي يعوق حاليًا التبنّي التجاري. نقطة نهاية مُستضافة، من شأنها أن تزيل حاجز 18.82 GB أمام كل من لا يملك العتاد. وتقييم مستقل، وهو ما سيُحدث فرقًا ملموسًا فعلًا: الادعاء بأن نموذجًا بحجم 9B يبلغ 90.25 على HR-Bench 4K هو من نوع الأرقام التي إما تصمد أمام مختبر ثانٍ أو تتلاشى بهدوء.

حتى ذلك الحين، الخلاصة الصادقة هي أن ZoomGain-9B إصدار بحثي موثّق جيدًا، ذو منهجية واضحة، وأداة اختبار قابلة لإعادة الإنتاج، وتقسيم غير معتاد في صراحته بين بيانات مشمولة وبيانات محجوزة، ولا يقف أي طرف ثالث خلف أي من ذلك. وهذا أكثر مما تقدمه معظم الإصدارات الهادئة، وأقل من منتج.