
ZoomGain-4B wurde am 11. November ohne Ankündigung veröffentlicht.
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 90 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 133 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 pro 1 Mio. Tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 pro 1 Mio. Tokens · 185 tok/s
Der erste Commit in inclusionAI/ZoomGain ist mit 2026-11-09 um 02:13 UTC datiert, und seine Commit-Nachricht lautet „Release ZoomGain init.“ Die Gewichte für ZoomGain-4B erschienen auf Hugging Face am 2026-11-10 um 11:38 UTC. Der arXiv-Eintrag, das Evaluationsset und der Reinforcement-Learning-Korpus, der das Modell hervorbrachte, sind sämtlich auf den 2026-11-11 datiert – denselben Tag, an dem die Modellkarte zuletzt bearbeitet wurde. Was jedoch nirgendwo, wo ich nachsehen konnte, erschienen ist, ist ein Launch-Beitrag. Es gibt keinen News-Eintrag auf der Website von inclusionAI, keine Ankündigung auf dem Hugging-Face-Profil der Organisation über das Repository selbst hinaus, keinen gehosteten Endpunkt und keine Berichterstattung von irgendwem. ZoomGain-4B ist ein Vision-Language-Modell, das mittels Reinforcement Learning auf Basis von Qwen3.5-4B gebaut wurde, und Stand heute Morgen sind die Einzigen, die von seiner Existenz wissen, diejenigen, die zufällig einen Blick auf eine Repository-Liste geworfen haben. Dies ist ein Artikel nach dem Motto „Was das Repo sagt“: Jede Angabe unten ist entweder ein Zeitstempel, den Sie selbst überprüfen können, oder eine Zahl, die die Autoren auf ihre eigene Modellkarte gesetzt haben, und die Stellen, an denen das nicht ausreicht, sind als solche gekennzeichnet.
Für Leser, die erst die grobe Form verstehen wollen, bevor sie ins Detail gehen: Das Modell ist ein multimodaler Checkpoint mit 4,54 Milliarden Parametern, der Multiple-Choice-Fragen zu feinen visuellen Details beantwortet – kleiner Text auf einem Foto, die Anzahl von Objekten in einer unübersichtlichen Szene, ein Attribut, das erst beim Hineinzoomen lesbar ist. Die Behauptung der Autoren ist, dass ein Vision-Modell, das ein vollständiges Bild betrachtet, Details übersieht, die es problemlos lesen kann, sobald derselbe Bereich vergrößert wird, und dass diese Lücke in ein Trainingssignal umgewandelt werden kann. Anschließend bauten sie mit derselben Maschinerie einen Benchmark mit 1.000 Fragen, und auf diesem Benchmark erreicht das trainierte 4B-Modell 55,81 gegenüber 30,03 für das Modell, aus dem es trainiert wurde. Diese beiden Zahlen sind der ganze Fall, und sie gehen mit einem Vorbehalt einher, den das Paper selbst nennt: Der Benchmark wird von derselben Pipeline wie die Trainingsdaten erstellt, was das Paper als „held-in“ bezeichnet.
Was gelandet ist – und was die Zeitstempel sagen
Die Veröffentlichung ist ungewöhnlich vollständig für etwas, das niemand angekündigt hat. Sechs Artefakte, alle innerhalb eines 48-Stunden-Fensters:
• Der Artikel. „ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision,“ arXiv 2611.14076, eingereicht am 10. November 2026, von Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao und Jianwei Yin. Sieben Autoren, cs.CV und cs.AI.
• Der 4B-Checkpoint. inclusionAI/ZoomGain-4B, Safetensors in BF16. Die Dateimetadaten weisen 4.539.265.536 Parameter aus. Apache 2.0 für den Code; die Model Card verweist für Checkpoint- und Dataset-Bedingungen auf deren eigene Repositories.
• Der 9B-Checkpoint. inclusionAI/ZoomGain-9B, 9.409.813.744 Parameter, vier Minuten nach seinem kleineren Geschwistermodell erstellt.
• Quantisierte Builds. ZoomGain-4B-GGUF erschien am 11.11.2026 um 03:09 UTC mit drei Präzisionsstufen plus passenden Vision-Projektoren: Q4_K_M mit 2,71 GB, Q8_0 mit 4,48 GB, F16 mit 8,42 GB, jeweils mit einer mmproj-Datei für den Bildencoder. Das 9B-GGUF folgte.
• Der Benchmark. inclusionAI/ZoomGainBench, 1.000 Fragen über 941 Bilder, englischer und chinesischer Text für jedes Element, plus eine Referenzantwort, eine Bewertungsregel und eine Evidenz-Bounding-Box in Pixelkoordinaten.
• Die Trainingsdaten. inclusionAI/ZoomGain-RL-Data, 9.000 Datensätze und 7.713 Quellbilder in Parquet, mit den Reward-Metadaten, die das Trainingsskript erwartet.
Die Stille ist kein Rätsel und nichts Unheimliches. Sie ist das, wie ein internes Release einer Forschungsgruppe aussieht, wenn das Paper arXiv passiert, bevor irgendjemand den Blogbeitrag schreibt. Die Hinweise sind alle da: Drei Commits am Morgen des 11. November tragen alle den Titel „update readme“ und liegen vierzehn Minuten auseinander, das GitHub-Repository hat drei Sterne und kein ausgefülltes Beschreibungsfeld, beide Checkpoint-Repositories zeigen null Downloads und null Likes, und die 4B-Modellseite enthält eine Warnung vor leeren oder fehlenden YAML-Metadaten. Nichts davon ist ein Beleg über das Modell. Es ist ein Beleg über den Rollout.

Die Methode – in drei Schritten
Das Interessante an ZoomGain ist nicht das Modell, sondern wie die Fragen erstellt wurden. Die Pipeline läuft in drei Stufen, und nur die erste ist konventionell.
• Das Ziel lokalisieren.Mehrere Modelle lokalisieren unabhängig voneinander eine Region, die in der gesamten Szene beschrieben wird. Wo sie übereinstimmen, wird diese Übereinstimmung als der Zuschnitt betrachtet, der es wert ist, behalten zu werden. Die Uneinigkeit als Filter zu nutzen bedeutet, dass kein blinder Fleck eines einzelnen Modells die Zielmenge definiert.
• Belege herausarbeiten. Beschreibungen derselben Region werden auf zwei Zoomstufen verglichen. Was der Ausschnitt offenbart und das Gesamtbild nicht, wird in eine Frage zum Gesamtbild umgewandelt. Dies ist der Mechanismus, der die im Titel genannte „Global-to-Zoom“-Lücke erzeugt: Die Frage ist beantwortbar, aber nur, wenn das Modell etwas am Rand seiner Wahrnehmung auflöst.
• Verifizieren und Distraktoren erzeugen. Antworten werden mit dem Bildausschnitt abgeglichen, mehrdeutige Fragen werden verworfen, Fragen, die ganz ohne das Bild beantwortet werden können, werden verworfen, und Multiple-Choice-Distraktoren werden erzeugt. Die Ablation zeigt, dass dieser letzte Schritt echte Arbeit leistet – das Entfernen dedizierter Distraktoren kostet 8,96 Punkte auf dem Held-in-Benchmark, der größte einzelne Rückgang, den das Paper meldet.
Das Training selbst ist nichts Exotisches. GRPO über das mitgelieferte EasyR1-Framework, eine Epoche, Batchgröße 64, acht Rollouts pro Frage, was auf 9.000 Datensätzen 140 Schritte ergibt. Das Repository enthält einen Smoke-Test, der einen einzelnen Schritt inklusive Rollout, Reward und Checkpoint-Speicherung ausführt, sowie vollständige Launcher für beide Größen. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 und transformers 5.7.0 — alle gepinnt, was den Unterschied zwischen einem Repository ausmacht, das reproduziert, und einem, das lediglich beschreibt.
Die Zahl, auf die es ankommt – und der Vorbehalt, der sie schrumpfen lässt
ZoomGainBench ist bewusst schwer. Das stärkste Modell darin ist GPT-5.6-Sol mit 61,08 insgesamt, und das sind 61,08 von 100 bei Multiple-Choice-Fragen zu Fotografien. Claude-Opus-5 liegt bei 59,86, Gemini-3.6-Flash bei 59,41. Das beste offene allgemeine Vision-Modell in der Tabelle, Qwen3.8-Flash-Next mit 125 Milliarden Parametern, erreicht 55,05. Ein Modell mit 4 Milliarden Parametern, trainiert auf 9.000 Proben, kommt auf 55,81 – über dem 125-Milliarden-Allrounder, über Kimi-K3 mit 2,8 Billionen Parametern, über GLM-5.3-Flash mit 320 Milliarden.
Wenn diese Zahl den Kontakt mit einem unabhängigen Harness überstanden hätte, wäre sie die Geschichte des Monats. Das tut sie bislang nicht, und zwar aus einem Grund, den das Paper offen benennt. ZoomGainBench wird von derselben Pipeline erzeugt, die auch die Trainingsdaten produziert hat, und die Ablationstabelle des Papers selbst führt es in einer Spalte mit der Überschrift „Held-in.“ auf. Die Fragen sind nicht die Trainingsfragen, sondern werden von derselben Maschinerie aus derselben Verteilung gezogen. Ein auf diese Verteilung feinabgestimmtes Modell hat einen Vorteil, den ein Zero-Shot evaluiertes Modell nicht hat, und wie groß dieser Vorteil ist, kann heute genau niemand außerhalb von inclusionAI messen.
Die Evidenz aus zurückgehaltenen Tests ist weniger spektakulär und überzeugender. Das Paper berichtet einen Durchschnitt über zehn zurückgehaltene Benchmarks: 54,20 für das untrainierte Qwen3.5-4B, 60,96 für das mit ZoomGain trainierte 4B. Ein durchschnittlicher Zugewinn von 6,76 Punkten auf Benchmarks, die das Training nie gesehen hat, ist ein echtes Ergebnis. Es ist nur nicht dieselbe Behauptung wie das Übertreffen eines Modells mit 2,8 Billionen Parametern.
Erwähnenswert ist ebenfalls, dass der Vorteil nicht einheitlich ist. Vergleicht man das 4B mit seiner eigenen Basis über die Haupttabelle des Papers hinweg:
• Große Zugewinne. Visual Probe 43,30 auf 57,28. O3-Bench 54,20 auf 63,19. Zoom Bench 48,88 auf 59,88. HR-Bench 4K 81,25 auf 87,25. BabyVision 14,69 auf 21,13.
• Moderate Zugewinne. MME-RealWorld-Lite 57,89 auf 61,59. MMStar 66,80 auf 72,53. HR-Bench 8K 77,63 auf 83,88. MMVP 57,33 auf 61,33.
• Eine Regression. Das TreeBench-artige „Tree“ liegt vor dem Training bei 49,38 und danach bei 49,14. Ein Rückgang um 0,24 Punkte, deutlich innerhalb des Rauschens, aber er steht in der Tabelle und nicht außerhalb, was ein gutes Zeichen für die Tabelle ist.

Was ist wirklich nicht bestätigt?
Vier Dinge, und sie sind wichtiger als der übliche Haftungsausschluss.
Es gibt keine unabhängige Bewertung. Nicht eine einzige Zahl von Drittanbietern. Die 55,81, der Durchschnitt von 60,96, die 90,25, die das 9B auf HR-Bench 4K erreicht – all das sind die Autoren, die ihr eigenes Modell auf ihrem eigenen Prüfstand messen. Das ist für ein Paper normal und kein Beleg dafür, dass etwas falsch ist. Es bedeutet aber, dass die Zahlen als Behauptungen gelesen werden sollten.
Kein gehosteter Endpunkt. Keiner der beiden Checkpoints nennt einen Inferenzanbieter. Es gibt keine API, keinen Playground, keine Preisliste. Wenn Sie dieses Modell im nächsten Monat nutzen möchten, laden Sie 8,42 GB herunter und führen es selbst aus.
Der Name stimmt an drei Stellen nicht mit der Parameteranzahl überein. Das Modell heißt 4B, die GGUF-Karte sagt 4B, das Repository-Badge sagt 5B, und die tatsächliche Safetensors-Summe beträgt 4,54B. Die zusätzliche halbe Milliarde sind der Vision-Encoder und der Projektor, was die übliche Erklärung ist – aber eine Karte, die am ersten Tag eine einzige Zahl nicht konsistent halten kann, wurde nicht lektoriert, und das ist ein berechtigter Punkt, den man abwägen sollte, wenn man entscheidet, wie viel vom Rest man vertrauen kann.
Keine Absichtserklärung. Wird es ein 30B geben? Eine gehostete Version? Eine v2 mit einem zurückgehaltenen Benchmark? Nichts im Repository sagt dazu etwas. Das Update-Log der README listet drei Zeilen auf, alle datiert auf den 2026.11.11, alle beschreiben, was veröffentlicht wurde, statt was als Nächstes kommt.

Es heute ohne Anbieter betreiben
Der GGUF-Weg ist der praktische und er hat eine harte Voraussetzung: Sie benötigen einen llama.cpp-Build mit multimodaler Unterstützung für Qwen3.5. Die Karte stellt ausdrücklich klar, dass das Sprachmodell und der mmproj-Projektor separate Dateien sind und dass die Bildeingabe beides erfordert. Das CLI-Beispiel übergibt -m für das Modell, --mmproj für den Projektor, --image für das Bild und läuft bei Temperatur 0 mit deaktiviertem Denken, was auch der Standard des Evaluierungs-Harness ist. llama-server funktioniert genauso auf Port 8080. Bei Q4_K_M halten Sie 2,71 GB Sprachmodell plus einen Projektor, was bequem auf einen Laptop passt; bei F16 sind Sie bei 8,42 GB plus Projektor, was eine Workstation oder eine einzelne Mittelklasse-GPU ist.
Für alles mit hohem Volumen ist vLLM 0.19.1 mit transformers 5.7.0 der unterstützte Stack, und das repositoryeigene Evaluationsskript nimmt einen MODEL_PATH, eine GPUS-Liste und einen LANGUAGE-Schalter, der nur Englisch, nur Chinesisch oder beides für 2.000 Aufgaben ausführt. Das ist genug Gerüst, um die gemeldeten Zahlen auf Ihrer eigenen Hardware zu reproduzieren, was mehr ist, als die meisten stillen Releases bieten.
Wenn Sie lieber keine GPU hochfahren möchten, nur um herauszufinden, ob der Ansatz überhaupt etwas taugt, ist der ehrliche Zwischenschritt, die Schleife aus Zuschneiden und Abfragen gegen ein gehostetes Vision-Modell zu prototypisieren, das Sie heute aufrufen können. Unser Katalog führt Qwen3-VL-8B zu $0.18 für Input und $0.70 für Output pro Million Token sowie die Qwen3.5-Reihe ab qwen3.5-35b-a3b zu $0.057 und $0.459 aufwärts — ein Schlüssel, kein Vertrag pro Anbieter und eine Routing-Regel, die auf ein zweites Modell ausweicht, falls das erste hängen bleibt. ZoomGain-4B selbst ist nicht in unserem Katalog, und ich würde nichts anderes behaupten; der Sinn des gehosteten Umwegs besteht darin, festzustellen, ob Detailfragen das sind, was Ihr Produkt tatsächlich falsch macht, bevor Sie eine Woche in ein selbst gehostetes 4B investieren, das sie nur besser beantwortet als sein eigenes übergeordnetes Modell.
Was würde dies von einer Kuriosität zu einer Entscheidung machen?
Drei Signale, danach geordnet, wie viel sie Ihnen verraten würden. Erstens ein unabhängiger Lauf von ZoomGainBench durch jemanden, der kein Eigeninteresse an der Pipeline hat — der Benchmark ist öffentlich, die Testumgebung liegt im Repository, und die Einstiegshürde besteht aus einer GPU und einem Nachmittag, daher wird dies wahrscheinlich vor allen anderen geschehen. Zweitens eine Held-out-Erweiterung: Wenn die Autoren den naheliegenden Einwand beantworten, indem sie auf einem Benchmark evaluieren, an dessen Aufbau sie nicht beteiligt waren, ist die 55.81 keine Zahl mehr, die sich auf ihren eigenen Testsatz bezieht. Drittens ein gehostetes Deployment, das Ihnen zeigen würde, dass sich die Gewichte tatsächlich mit akzeptabler Latenz bereitstellen lassen und nicht bloß herunterladbar sind.
Bis eines davon erscheint, lautet die korrekte Beschreibung von ZoomGain-4B nicht „kleines Vision-Modell schlägt Frontier“. Sie lautet: Eine Forschungsgruppe hat ein Trainingsrezept veröffentlicht, das ein 4B-Vision-Modell im Durchschnitt über zehn Benchmarks, auf denen es nicht trainiert wurde, um 6,76 Punkte verbessert, und gleichzeitig einen Benchmark veröffentlicht, der zeigt, dass derselbe Trick bei auf dieselbe Weise konstruierten Fragen eine deutlich größere Zahl hervorbringt. Die erste Hälfte ist der Befund. Die zweite Hälfte ist das Marketing, und sie kam ohne Pressemitteilung daher, was zumindest eine erfrischend andere Reihenfolge für diese beiden Dinge ist.
