ZoomGain-4B vs. MiniCPM5 2B: Portabilität ist der Benchmark, den niemand veröffentlicht

In beiden Modellkarten fehlt eine Zahl, und genau sie entscheidet über die meisten Bereitstellungen. MiniCPM5-2B ist in GGUF-, MLX-, GPTQ- und LiteRT-Builds verfügbar, hat ein DSpark-Draft-Modell für spekulative Dekodierung und — das Detail, das am meisten aussagt — bietet FlagOS-Builds für neun verschiedene Beschleunigerfamilien, darunter Ascend, Hygon, Kunlunxin und Metax. ZoomGain-4B ist in GGUF in drei Präzisionen verfügbar und erfordert, mit den Worten der Karte selbst, „einen llama.cpp-Build mit Qwen3.5-Multimodal-Unterstützung“. Eines dieser Modelle läuft fast überall. Das andere läuft dort, wo man eine bestimmte Runtime bauen kann. Keine der beiden Karten nennt dies einen Benchmark, und für alle, die ein Modell tatsächlich betreiben und nicht nur zitieren müssen, ist dies die Zeile, die mehr zählt als die Genauigkeitsspalte beider Modelle.

Diese Rahmung ist kein Weg, dem Genauigkeitsvergleich auszuweichen – er kommt später, und der Genauigkeitsvergleich erweist sich als weniger entscheidend, als er aussieht, weil die beiden Modelle nicht auf derselben Achse gemessen werden und es auch nicht können. MiniCPM5-2B von OpenBMB ist ein Textmodell: 2,52 Milliarden Parameter, veröffentlicht am 6. September 2026, optimiert für Agenten, Tool-Aufrufe, Code und langen Kontext. ZoomGain-4B von inclusionAI ist ein Vision-Language-Spezialist, veröffentlicht am 11. November 2026, trainiert mittels Reinforcement Learning auf Fragen zu feinen visuellen Details. Im Folgenden geht es darum, woran jedes Modell gemessen wird, was es jeweils kostet, es aufzusetzen, und wo die ehrliche Trennlinie verläuft.

Die fehlende Zeile: Was nötig ist, um jede einzelne auszuführen

Beginne mit der Artefaktliste, denn sie ist das Konkreteste, was dir einer der beiden Publisher gegeben hat.

• MiniCPM5-2B. Ein dichter kausaler Transformer auf der Standardklasse LlamaForCausalLM — 42 Schichten, GQA mit 16 Query-Heads und 2 KV-Heads, 131.072-Token-Kontext, 2.516.756.480 Gesamtparameter, davon 1.981.982.720 nicht-Embedding-Parameter. Da die Architektur standardisiert ist, erbt es jeden Serving-Pfad, den jemand bereits für Llama-förmige Modelle geschrieben hat. Die Organisation veröffentlicht die SFT-, Midtrain- und Base-Varianten als separate Repos, dazu GGUF-, MLX- und GPTQ-Quantisierungen, ein DSpark-Draft-Modell für spekulative Dekodierung, LiteRT für Android auf dem Gerät sowie einen 1B-Ableger mit demselben Variantensatz.

• ZoomGain-4B. 4.539.265.536 Parameter in BF16, verteilt auf ein Sprachmodell und einen separaten Vision-Encoder. Drei GGUF-Präzisionen – Q4_K_M mit 2,71 GB, Q8_0 mit 4,48 GB, F16 mit 8,42 GB – jeweils kombiniert mit einer mmproj-Projektordatei, die laut der Karte für die Bildeingabe zwingend erforderlich ist. Kein MLX-Build, kein GPTQ, kein ONNX, kein Draft-Modell. Die einzige genannte Runtime ist llama.cpp mit Qwen3.5-Multimodal-Unterstützung, was eine engere Anforderung ist, als es klingt: Sie benötigen einen Build, der neu genug ist, um die qwen35-Architektur zu kennen, und die Karte sagt Ihnen, beide Dateien ausdrücklich bereitzustellen, anstatt auf einen fertigen Pfad zu verweisen.

Die Asymmetrie ist keine Kritik an inclusionAI. Von einem Vision-Modell, das vor neun Tagen veröffentlicht und nie angekündigt wurde, ist keine Android-Laufzeit zu erwarten. Es ist einfach der Stand der Dinge, und das bedeutet, dass die beiden Modelle in der Dimension, die Geld kostet, nicht austauschbar sind: MiniCPM5-2B läuft auf der Hardware, die Sie bereits haben, einschließlich eines Telefons; ZoomGain-4B läuft auf einer GPU, in einer Laufzeitumgebung, die Sie möglicherweise selbst kompilieren müssen, und nirgendwo sonst.

Zwei unterschiedliche Definitionen von „klein“

Beide werden als kleine Modelle bezeichnet, und das Wort leistet in jedem Fall unterschiedliche Arbeit.

• Parameter, ehrlich gezählt. MiniCPM5-2B hat 1,98 Mrd. Nicht-Embedding-Parameter – die Zahl, die den Rechenaufwand pro Token bestimmt – bei insgesamt 2,52 Mrd. ZoomGain-4B hat insgesamt 4,54 Mrd., und etwa eine halbe Milliarde davon entfallen auf den Vision-Encoder und den Projektor. Zieht man den Vision-Stack ab, liegen die beiden Sprach-Backbones größenmäßig nur einen Rundungsfehler auseinander. Der Unterschied im Verhalten kommt nicht aus der Skalierung, sondern daraus, was obendrauf trainiert wurde.

• Worauf das Training abzielte. Die Karte von MiniCPM5-2B nennt als stärkste Bereiche Code- und Mathe-Reasoning, Langkontext-Verständnis, Tool-Nutzung und agentische Aufgaben und gibt als Ziel lokale Assistenten, Coding-Agenten und On-Device-Deployment an. Die Karte von ZoomGain-4B dreht sich um eine Sache: ob ein Modell eine Frage beantworten kann, deren Antwort nur sichtbar wird, wenn man in das Bild hineinzoomt.

• Was jeder Anbieter zur Weitergabe ausgewählt hat. OpenBMB veröffentlichte die vollständige Variantenleiter für MiniCPM5 – Base, Midtrained, SFT, RL-plus-OPD-Final, dazu ein Draft-Modell und vorgebaute Binaries für neun Chip-Familien. inclusionAI veröffentlichte drei Modell-Repos, zwei Datensätze und ein Code-Repository mit der Pipeline zur Datenkonstruktion und den GRPO-Launchern. Das eine ist eine Produktlinie; das andere ein Forschungsrelease mit angehängtem Labornotizbuch.

• Lizenz. MiniCPM5-2B ist laut Model Card Apache 2.0, was sowohl für das Repository als auch für die Gewichte gilt. ZoomGains Code ist Apache 2.0, und die Checkpoint-Bedingungen werden an das Checkpoint-Repository delegiert, das Stand dieser Woche kein Lizenz-Tag in seinen Metadaten trägt. Lies die Datei, bevor du auslieferst.

Die Benchmark-Spalten und warum sie nicht übereinstimmen

Zwischen diesen beiden Modellen gibt es keinen gemeinsamen Benchmark. Nicht einen. ZoomGainBench ist eine Sammlung von Fragen zu Fotografien, und MiniCPM5-2B hat keinen Bildencoder; jeder andere Benchmark in der Tabelle von MiniCPM5 ist Text, und ZoomGain-4B wurde auf keinem davon jemals ausgeführt. Statt eines direkten Vergleichs folgt daher, was jeder Anbieter tatsächlich gemessen hat – absichtlich getrennt gehalten.

MiniCPM5-2B, laut Herstellerangabe, Durchschnitt 53,9 über seine Testsuite:

• Code — LiveCodeBench v6 69,1, OJBench 32,5, SWE-bench Verified 46,4.

• Mathematik — AIME 2025 86,5, AIME 2026 86,5, MATH-500 94,6.

• Wissen — MMLU-Pro 70,8, GPQA-Diamond 70,2.

• Langer Kontext — AA-LCR 59,0, NoLiMa 68,1, LongBench v2 43,7.

• Tool-Nutzung und Agenten — τ²-Bench Telecom 97,1, BFCL v4 66,6, BrowseComp-ZH 43,5, GAIA Text-103 88,7.

ZoomGain-4B, Herstellerangabe:

• Wahrnehmung, Held-in-Benchmark — 55,81 auf ZoomGainBench gegenüber 30,03 für das übergeordnete Qwen3.5-4B-Modell.

• Wahrnehmung, Durchschnitt auf zurückgehaltenen Daten — 60,96 über zehn Benchmarks, die das Training nie gesehen hat, gegenüber 54,20 für das Elternmodell. Das ist der erwähnenswerte Zugewinn von 6,76 Punkten.

• Einzelne Held-out-Veränderungen — Visual Probe 43,30 bis 57,28, O3-Bench 54,20 bis 63,19, HR-Bench 4K 81,25 bis 87,25, MME-RealWorld-Lite 57,89 bis 61,59.

Liest man diese beiden Listen nebeneinander, ist die Form der Entscheidung offensichtlich. MiniCPM5-2B wurde auf siebzehn Dinge getestet, die für Entwickler relevant sind, und schneidet bei fast allen ordentlich ab; der τ²-Bench-Telecom-Wert von 97,1 und GAIA Text-103 mit 88,7 sind die herausragenden Zahlen, und auf ihnen ruht seine Positionierung. ZoomGain-4B wurde auf Wahrnehmung und im Wesentlichen nichts sonst getestet, und der Gewinn, den es liefert – im Durchschnitt etwa sieben Punkte auf ungesehenen Benchmarks – ist real, aber begrenzt.

Wenn Sie einen Satz brauchen: MiniCPM5-2B ist ein generalistisches kleines Modell mit einem ungewöhnlich umfangreichen Benchmark-Blatt, und ZoomGain-4B ist ein Spezialist, dessen durchschnittlicher Gewinn von sieben Punkten auf einem generalistischen Leaderboard unsichtbar wäre, weil das generalistische Leaderboard die Fragen nicht enthält, in denen er gut ist.

Wo die beiden tatsächlich koexistieren würden

Die Workloads, bei denen beides die richtige Antwort ist, weisen ein gemeinsames Muster auf: ein Dokument, ein Screenshot, ein Foto, ein Formular. Etwas muss sich das Bild ansehen und einen Wert extrahieren, und etwas muss alles danach erledigen – das Schema parsen, das richtige Tool aufrufen, validieren, erneut versuchen, an einen Menschen weiterleiten.

Die Extraktion ist ZoomGain-förmig. Kleiner Text, eng zugeschnittene Ausschnitte, eine Antwort, die entweder richtig oder falsch ist, und ein Modell, das ausdrücklich auf den Unterschied zwischen dem Lesen eines Labels in einem Ausschnitt und dem Lesen desselben Labels in einem vollständigen Frame trainiert wurde. Die Held-out-Zahlen von ZoomGain-4B auf HR-Bench 4K (81,25 bis 87,25 nach dem Training) und MME-RealWorld-Lite sind genau das Profil eines Modells, das bei dichten Details besser geworden ist, ohne bei allem anderen schlechter zu werden.

{{1}}Der Rest{{/1}} ist im Stil von MiniCPM5 gestaltet, und bei der Tool-Nutzung ist es für seine Größe ungewöhnlich stark — τ²-Bench Telecom bei 97,1 ist eine Zahl, die die meisten dreimal größeren Modelle nicht erreichen, und BFCL v4 bei 66,6 zeigt, dass das Function-Calling keine Demo ist.

Beides laufen zu lassen bedeutet zwei Runtimes, zwei Lizenzen und ein zweites Teil, das kaputtgehen kann. Außerdem ist es der Punkt, an dem ein Router sich bezahlt macht, statt nur ein Slogan zu sein: Der Bildaufruf geht an den Vision-Endpunkt, der Tool-Call-Turn an den günstigen Text-Endpunkt, und ein Stocken bei einem von beiden springt automatisch auf den anderen um, statt in deiner Pipeline als 504 aufzuschlagen. Ein Schlüssel, eine Rechnung und die Failover-Logik an einer Stelle, statt in zwei SDKs dupliziert.

Es lohnt sich, ausdrücklich zu sagen, was wir führen und was nicht. MiniCPM5-2B ist heute nicht in unserem Katalog. Wir hosten die Qwen3.5-Familie – das 35B-A3B zu $0.057 Eingabe und $0.459 Ausgabe pro Million Tokens, das 27B zu $0.086 und $0.688, beide multimodal – und diese Familie ist die Basis, aus der ZoomGain-4B trainiert wurde, was sie zur nächstliegenden gehosteten Näherung macht, wenn Sie testen möchten, ob Crop-and-Ask Ihre Genauigkeit verbessert, bevor Sie sich für ein selbst gehostetes 4B entscheiden. Für die Tool-Calling-Hälfte liefert Ihnen derselbe Katalog etwas, das Sie heute aufrufen können. Was wir nicht können, ist, ZoomGain-4B zu hosten, und daran ändert auch noch so viel Routing nichts: Es ist ein Download, keine API.

Das ehrliche Urteil

Wähle MiniCPM5-2B, wenn du ein kleines Modell willst, das du diese Woche auf Hardware einsetzen kannst, die du bereits besitzt, in einer Runtime, die es bereits gibt, mit einer Apache-2.0-Lizenz und einem Benchmark-Blatt, das breit genug ist, um vorherzusagen, wie es sich verhalten wird. Es ist das fertige Produkt der beiden. Seine 1,98 Mrd. Nicht-Embedding-Parameter machen es pro Token günstig, seine Tool-Calling-Werte sind das Beste in seiner Spalte, und die Builds der Chip-Hersteller bedeuten, dass es kein reines Rechenzentrums-Angebot ist.

Wählen Sie ZoomGain-4B, wenn der konkrete Fehler, den Sie beseitigen möchten, visuell und feingranular ist und Sie bereit sind, eine GPU mit einem speziellen llama.cpp-Build laufen zu lassen, um ihn zu beheben. Seine Argumentation stützt sich auf eine glaubwürdige Zahl – eine durchschnittliche Verbesserung von 6,76 Punkten über zehn zurückgehaltene Wahrnehmungs-Benchmarks aus 9.000 Trainingsbeispielen – und auf einen Benchmark, Daten und eine Testumgebung, mit denen Sie die Behauptung selbst überprüfen können, statt ihr zu vertrauen.

Wähle keines von beiden, wenn du noch nicht gemessen hast, was in deiner Pipeline schiefgeht. Die schwächsten veröffentlichten Ergebnisse von MiniCPM5-2B liegen beim Reasoning für Suchagenten und lange Dokumente (BrowseComp-ZH 43,5, LongBench v2 43,7), und ZoomGain-4B wurde noch nie eine Frage gestellt, die sich nicht auf ein Bild bezog. Eines von beiden zu kaufen, um ein Problem zu lösen, das du nicht charakterisiert hast, ist der Weg, auf dem Drei-Milliarden-Parameter-Modelle in der Produktion landen und nichts tun.

Die wenig glamouröse Schlussfolgerung: Die beiden Modelle sind keine Rivalen, sie sind zwei benachbarte Stufen derselben Aufgabe, und der Grund, warum dieser Vergleich immer wieder als Wettkampf dargestellt wird, ist, dass Benchmarks leichter zu veröffentlichen sind als Portabilität. MiniCPM5-2B gewinnt die Spalte, die veröffentlicht wird. ZoomGain-4B gewinnt eine Spalte, die es noch nicht gibt, bei einer einzigen Aufgabe, um etwa sieben Punkte, und bringt eine Laufzeitvoraussetzung mit, die die meisten Teams schon an der Tür stoppen würde.