ZoomGain-9B مقابل Gemma 4 12B: الصف المفقود من الاختبار المعياري

تم تقييم ثمانية وعشرين نموذجًا على معيار ZoomGain عند إصداره: أربعة أنظمة رائدة مغلقة المصدر، وأربعة نماذج رؤية وكيلية، وأربعة متخصصين دقيقي التخصص، وستة عشر نموذجًا عامًا مفتوحًا. وG​emma ليس من بينها — لا G​emma 4 12B، ولا Gemma 4 31B، ولا أي من سلسلة E. هذا الغياب هو الحقيقة الأكثر فائدة على الإطلاق عند مقارنة ZoomGain-9B وG​emma 4 12B، لأنه يعني أن كل جدول «ZoomGain مقابل G​emma» يمكنك بناؤه ستكون فيه ثغرة، وهذا المقال يتناول ما عليه النموذجان فعليًا لا رقمًا غير موجود.

الاثنان متقاربان بما يكفي في الحجم ليدعوا إلى المقارنة، ومتباعدان بما يكفي في الغرض ليجعلاها مضللة. ZoomGain-9B هو نقطة تحقق للرؤية واللغة بحجم 9B من inclusionAI، خضع لتدريب لاحق بالتعلم المعزز على 9,000 سؤال مستخرج من قصاصات الصور، وأُطلق في 10 نوفمبر 2026 مع ورقة بحثية ولكن دون إعلان. G​emma 4 12B هو نموذج G​oogle DeepMind الموحّد متعدد الوسائط الخالي من المُرمِّز بحجم 11.95B، نُشر في 23 مايو 2026 بترخيص Apache 2.0، مع 1.8 مليون تنزيل و1,730 إعجابًا خلال الشهر الماضي. أحدهما أداة بحثية بقدرة واحدة مُثبَتة. والآخر منتج له ترخيص ومجموعة توثيق وستّ نسخ مكمّمة ونصف عام من الاستخدام المجتمعي.

ما هو كل واحد منها في الحقيقة

G​emma 4 12B هو العضو المعماري المثير للاهتمام في عائلة G​emma 4. تستخدم نماذج E2B وE4B و31B مشفّرات مخصصة — برج رؤية بنحو 150 مليون معامل في النماذج الصغيرة، ونحو 550 مليون في 31B — وتمرر التضمينات إلى النموذج اللغوي. أما 12B فلا يفعل ذلك. فهو يُسقط رقع الصور الخام والموجات الصوتية مباشرةً في فضاء تضمين المفكك عبر طبقات خطية خفيفة، وهذا ما تعنيه كلمة "Unified" في اسمه، وهو سبب وجود دعم الصوت في هذا النموذج وليس في 31B.

شكله: 48 طبقة، حجم مخفي 3,840، حجم وسيط 15,360، 16 رأس استعلام مقابل 8 رؤوس KV عند بُعد رأس 256، ومفردات من 262,144 رمزًا و262,144 موضعًا أقصى. أربعون من طبقاته الثماني والأربعين هي انتباه بنافذة منزلقة عند 1,024 رمزًا؛ وثماني طبقات انتباه كامل، والطبقة الأخيرة دائمًا عالمية. ثلاث طرائق إدخال، وإخراج نصي، وسياق 256K، ودور نظام أصلي.

بُني ZoomGain-9B على النحو المعاكس. فجذعه النصي هو Qwen3.5-9B — 32 طبقة، وحجم مخفي 4,096، وحجم وسيط 12,288، وجدول بنسبة 3:1 من الانتباه الخطي إلى الانتباه الكامل، و262,144 موضعًا أقصى — مع برج رؤية مثبَّت عليه من قبل النموذج الأساسي بدلًا من ابتكاره هنا. وفوق ذلك الجذع، شغّل المؤلفون GRPO على 9,000 سؤال تعتمد إجاباتها على تفاصيل لا تكون مرئية إلا عند التكبير في منطقة ما. ولم يُدرَّب النموذج كنموذج مساعد عام، ولا يُقدَّم على أنه كذلك.

• المعاملات — G​emma 4 12B 11.95B مقابل ZoomGain-9B بنحو 9.4B (18.82 GB بصيغة BF16 مقابل حجم ملف 12B).

• الوسائط — يدعم Gemma 4 12B النص والصورة والفيديو والصوت؛ ويدعم ZoomGain-9B النص والصورة. الصوت ليس ثغرة في تنفيذ ZoomGain، بل هو غائب من تكوينه.

• السياق — توثّق G​emma 4 12B سياقًا يبلغ 256K. ولا توثّق بطاقة ZoomGain-9B شيئًا؛ إذ ترث تهيئتها 262,144 موضعًا من العمود الفقري الخاص بـ Qwen3.5-9B، وهذا ليس مماثلًا لخاصية مُختبَرة في نقطة التحقق المضبوطة بدقة.

• الترخيص — G​emma 4 12B بترخيص Apache 2.0 مع ملف ترخيص مسمّى. ZoomGain-9B: الشيفرة بترخيص Apache 2.0، وشروط نقاط التحقق مؤجلة إلى بطاقة لا تحمل أي وسم ترخيص.

• التوزيع — يُطرح G​emma 4 12B بصيغة BF16، وبصيغة QAT q4_0 GGUF بحجم 6.98 GB مع مُسقِط بحجم 0.18 GB، وتتوفر نُسخ بناء من ggml-org وunsloth وlitert؛ ويُطرح ZoomGain-9B بصيغة BF16 بالإضافة إلى GGUF بصيغ F16 وQ8_0 وQ4_K_M اعتبارًا من 11 نوفمبر.

• التوثيق — يتوفر لـ G​emma 4 12B مدونة إطلاق، وتقرير تقني، وكتب وصفات للأطر، وصفحة ترخيص. أما ZoomGain-9B فلديه ورقة بحثية ومستودع وبطاقة لا تنص على طول السياق.

لماذا لا يُعدّ الصف المفقود سهوًا يمكنك التغاضي عنه ببساطة

صُمم معيار ZoomGain لكشف إخفاق واحد: نموذج لا يستطيع تمييز تفصيل صغير داخل إطار كبير. يقيّم المؤلفون التعرف على السمات والعدّ وOCR عبر 1,000 سؤال و941 صورة، باللغتين الإنجليزية والصينية، باستخدام التطابق التام في الأسئلة متعددة الخيارات وفي الأعداد الصحيحة، وANLS بحد أدنى قدره 0.7 لـOCR. في ذلك الاختبار يصل أفضل نموذج من بين ثمانية وعشرين نموذجًا إلى 61.08، ولا يتجاوز خمسة فقط حاجز 50.

لم يتم تشغيل G​emma 4 12B عليه. ولا أي G​emma آخر. هذا يتركك أمام خيارين، وواحد فقط منهما صادق. يمكنك أن تضع نتائج G​emma في MMMU Pro 69.1 وMATH-Vision 79.7 مقابل متوسط ZoomGain على بيانات محجوزة البالغ 66.10 وتسمّي ذلك مقارنة، لكن هذه مقارنة بين مجموعة متعددة الوسائط واسعة ومتوسط لثلاثة عشر معيارًا للإدراك، وتُنتج رقمًا لا معنى له. أو يمكنك أن تقول الحقيقة: لم يقِس أحد هذين الاثنين على المسطرة نفسها، وإذا كانت المسألة تهمّك، فإن المعيار قابل للتنزيل ويمكنك تشغيله بنفسك في فترة بعد الظهر.

الخيار الثاني أرخص مما يبدو. يُوزَّع ZoomGainBench على هيئة شروح وصور ومُقيِّم؛ ويقبل التقييم نقطة نهاية متوافقة مع OpenAI أو نقطة تحقق محلية، ويعمل عند درجة حرارة 0 مع تعطيل التفكير، ويبلّغ عن النتائج لكل سؤال. يعمل G​emma 4 12B ضمن vLLM أو llama.cpp. هذه مواجهة مباشرة حقيقية يمكنك إنتاجها، وكون مؤلفي المعيار لم يدرجوا G​emma هو بحد ذاته أمر مفيد بالمعلومة — فقد كان النموذج متاحًا لستة أشهر قبل نشر هذا المعيار.

أين تمتلك G​emma 4 12B الأرقام، وماذا تعني

هذه هي أرقام Google الخاصة الواردة في بطاقة النموذج، ولم يُعِد إنتاجها مختبر محايد:

• MMMU Pro 69.1 — مجموعة أدوات الاستدلال متعدد الوسائط، وأقرب ما في بطاقة G​emma إلى ادعاء بكفاءة بصرية.

• MATH-Vision 79.7 — الاستدلال الرياضي عبر المخططات والصور.

• متوسط مسافة التحرير في OmniDocBench 1.5 هو 0.164 — تحليل المستندات، حيث الأقل أفضل؛ ويبلغ النموذج 31B قيمة 0.131.

• MMLU Pro 77.2، GPQA Diamond 78.8، AIME 2026 77.5 دون أدوات — الجانب النصي، الذي لا تدّعيه ZoomGain-9B إطلاقًا.

• متوسط τ² البالغ 69.0 واستدعاء الدوال الأصلي — استخدام الأدوات الوكيلية.

• MRCR v2 ثماني الإبر عند 128K، {{1}}43.4%{{/1}} — استرجاع السياق الطويل، وهو الرقم الذي يقوّض أكثر من غيره العنوان الرئيسي البالغ 256K.

تستحق النقطة الأخيرة التشديد. نافذة 256K ليست 256K من الانتباه القابل للاستخدام، ونشر G​oogle لدرجة استرجاع تنخفض إلى 43.4% عند 128K هو قدر أكبر من الصراحة مما تقدمه معظم بطاقات النماذج. إذا كان عبء العمل لديك هو «العثور على حقيقة واحدة في مستند كبير»، فإن نافذة G​emma 4 12B حقيقية لكن استدعاءها عند العمق متوسط، ولا يوجد قياس مكافئ لـ ZoomGain-9B لأنه لم يُجرَّ عليه أي تقييم للسياق الطويل.

حيث يقدّم ZoomGain-9B الأرقام، والتحذير المرفق بكل منها

جميع النتائج التي أبلغ عنها المؤلفون، على أداة الاختبار الصادرة:

• HR-Bench 4K: 90.25، بزيادة عن 82.13 لدى Qwen3.5-9B الذي اشتُق منه. إدراك عالي الدقة، وهو الادعاء الرئيسي في الإصدار.

• V*Bench 93.19، بزيادة من 86.91. الكشف عن الأجسام الصغيرة في المشاهد المزدحمة.

• MMVP 70.00، بزيادة عن 60.00. اختبار الصور المزدوجة حيث لصورتين شبه متطابقتين إجابتان صحيحتان مختلفتان — أقرب نظير موجود لما دُرّب عليه ZoomGain.

• ZoomGainBench 55.48، ارتفاعًا من 32.13. عمود البيانات المُضمَّنة، منتفخ بحكم طريقة بنائه، ويقرّ المؤلفون بذلك.

• متوسط الأداء على البيانات المحجوزة 66.10 عبر ثلاثة عشر معيارًا، ارتفاعًا من 59.75. الرقم ذو الدلالة.

التحفظات، مرتبة حسب مقدار ما ينبغي أن يقلقك منها. أولاً، لم يُعِد أحد خارج قائمة المؤلفين إنتاج أي منها. ثانياً، يأتي كل من الاختبار المعياري وبيانات التدريب من خط معالجة واحد، ولهذا يستبعد البحث اختباره المعياري الخاص من متوسط التقييم المحجوز — وهو انضباط جدير بالإشادة. ثالثاً، تتألف مجموعة التدريب من 9000 سجل، وهو حجم صغير بما يكفي لأن تكون المكاسب ضيقة حتى حيث تكون حقيقية. رابعاً، لا يملك النموذج نقطة نهاية مستضافة، وعند وقت الكتابة، لديه تعيين مزوّد فارغ على Hub.

التكلفة، بالمعايير التي تحددها فعليًا

Gemma 4 12B عند QAT q4_0 هو 6.98 GB بالإضافة إلى مُسقِط بسعة 0.18 GB. يتسع لذلك حاسوب محمول بسعة 16 GB مع مساحة فائضة، وبطاقة بسعة 8 GB بشيء من الجهد. أما ZoomGain-9B عند Q4_K_M فهو 5.63 GB بالإضافة إلى 0.52 GB من المُسقِط؛ وعند Q8_0 يبلغ 9.53 GB بالإضافة إلى 0.62 GB. إن طراز 9B هو التنزيل الأصغر عند كل مستوى دقة لأنه الطراز الأصغر، كما أن جذعه الذي يغلب عليه الانتباه الخطي يعني ذاكرة KV مؤقتة أقصر عند أطوال التسلسل الطويلة، وهو ما يهم إذا كنت تُغذّيه صورًا عالية الدقة بدلًا من نص طويل.

لا يمكن استدعاء أي منهما من خلالنا اليوم. Gemma 4 12B ليس في كتالوج OrcaRouter، ولا ZoomGain-9B كذلك، لذا فإن القول الصادق هو أن كليهما قراران إما بالاستضافة الذاتية أو بواجهة API من مورّد. أما ما نستضيفه فعلاً فهو Gemma 4 26B A4B بسعر $0.06 لكل مليون رمز إدخال و$0.33 لكل مليون رمز إخراج مع نافذة 262K — العائلة نفسها، وأربعة أضعاف ميزانية المعلمات النشطة، وطريقة مشروعة لمعرفة ما إذا كانت سمات تحليل المستندات لدى Gemma تناسب خط أنابيبك قبل تنزيل أي شيء. مفتاح واحد يغطي ذلك وأكثر من 200 طراز آخر بسعر القائمة دون أي هامش ربح، لذا فإن اختباراً مقارناً بين نقطة نهاية للرؤية وطراز نصّي رخيص يكلّف بعد ظهر واحد بدلاً من ثلاث عقود.

اختر حسب المهمة، لا حسب الرتبة

إذا كانت المهمة تتعلق بتفصيل صغير داخل صورة كبيرة — رقم تسلسلي على جهاز، أو نص على لافتة بعيدة، أو لون جسم واحد بين أربعين، أو عدد النوافذ على واجهة — فإن ZoomGain-9B هو المصمم لذلك، مع التحفظ بأن أدلته مُبلَّغ عنها ذاتيًا وأن ترخيصه يحتاج إلى قراءة. وقد حُسّن تصميمه المعماري تحديدًا لنمط الفشل الذي تواجهه.

إذا كانت المهمة أي شيء بصري آخر — قراءة مستند متعدد الصفحات، ووصف مشهد، والإجابة عن سؤال حول مخطط، واستقبال الصوت إلى جانب الصور، واستدعاء دالة بعد ذلك — فإن G​emma 4 12B هو المنتج الجاهز، ولم تعد المقارنة متقاربة. فهو يتمتع بتدريب مسبق على 140 لغة، واستدعاء أدوات أصلي، ونافذة 256K مع منحنى استرجاع منشور، وست عمليات تكميم، ورخصة يمكنك تسليمها للقسم القانوني دون شرح.

إذا كانت المهمة تجمع بين الأمرين، فالإجابة الصادقة هي أن هذين ليسا بديلين، بل طبقتان في خطّ معالجة واحد. وكيل المستندات الواقعي في 2026 يحلّل باستخدام نموذج متعدد الوسائط عام، ثم يصعّد المقتطعات المهمة إلى متخصص في الإدراك — وهنا يكمن جوهر الهندسة المثير للاهتمام، لأن التصعيد يعني تقرير متى يستحقّ تفصيلٌ ما نداءً ثانيًا. هذه مسألة توجيه، ولهذا نهتم بها: فقاعدة ترسل النداء الرخيص إلى النموذج الرخيص والتصعيد إلى أي نقطة نهاية تجتاز معيارك هي تغيير إعداد واحد، ويعني التحويل عند الفشل أن تعثّر المتخصص لا يعطّل خطّ المعالجة.

الحكم، بصيغته التي تدعمها الأدلة

Gemma 4 12B هو الخيار الأكثر أمانًا للشراء وفق كل معيار لا يُعد معيار تقييم إدراكيًا: الترخيص، والتوثيق، والتوزيع، واتساع النطاق، والمجتمع، وحقيقة أن Google تنشر أرقامًا يمكنك الجدال حولها. أما ZoomGain-9B فهو النموذج الأكثر إثارة للاهتمام، وربما الأداة الأفضل لمهمة محددة بعينها، استنادًا إلى أدلة لم يتحقق منها بعد أي شخص لم يكتب الورقة.

تعتمد الخطوة التالية الصحيحة على أيّ من تلك الجمل وجدت نفسك توافق عليها. إذا كانت الأولى، فقم بتنزيل QAT GGUF وتوقّف عن القراءة. وإذا كانت الثانية، فقم بتنزيل ZoomGainBench مع الأوزان — 941 صورة، و1,000 سؤال، ومقيّم، ورقم يمكنك إنتاجه بنفسك — ثم شغّل Gemma من خلاله. ستكون عندئذٍ أول شخص يفعل ذلك، وستعرف شيئًا عن كلا النموذجين لا يعرفه أيّ من البائعين حاليًا.