ZoomGain-4B vs. Qwen3.8-27B: Der 11-Punkte-Sieg gilt einem Datensatz, nicht einem Modell

Die Zahl, die diesen Vergleich einer Seite wert macht, ist 55,81 gegen 44,81. Auf ZoomGainBench, dem 1.000-Fragen-Benchmark für feine Details, der zusammen mit inclusionAIs ZoomGain-4B veröffentlicht wurde, erzielt ein Vision-Modell mit 4,54 Milliarden Parametern elf Punkte mehr als Qwen3.8-27B, ein dichtes Modell mit 27,78 Milliarden Parametern, das Alibaba im August unter Apache 2.0 veröffentlichte und das Bilder und Videos ebenso wie Text verarbeitet. Sechsmal so viele Parameter – und es liegt elf Punkte zurück. Liest man die Arbeit, aus der beide Zahlen stammen, ist die Lücke keine Aussage mehr über das Sehvermögen: ZoomGainBench wurde von derselben automatisierten Pipeline erstellt, die die Trainingsdaten von ZoomGain-4B generierte; die Autoren sagen das selbst in ihrer Ablationsstudie, und das Modell, gegen das sie wirklich antraten, ist überhaupt nicht Qwen3.8-27B – es ist ein anderer Datensatz.

Das ist keine Widerlegung. Es ist das Nützlichste an der Veröffentlichung, und es ist das, was den Vergleich entscheidbar macht: Es sagt dir, zu welchem der beiden Modelle du greifen solltest und welche Zahl du nennen solltest, wenn jemand dich bittet, die Wahl zu begründen. Im Folgenden werden die drei Behauptungen getrennt, die hier zusammengeworfen werden – dass ein kleiner Spezialist einen großen Generalisten schlägt, dass eine Datenpipeline eine andere Datenpipeline schlägt und dass eines von beidem ein Grund ist, diesen Monat deinen Stack zu wechseln.

Was ausgeliefert wurde, und wie leise.

Das Repository für ZoomGain-4B wurde am 10. November 2026 um 11:38 UTC auf Hugging Face erstellt und zuletzt am 11. November geändert. Das Paper, arXiv 2611.14076, wurde am 10. November eingereicht. Das GGUF-Repository wurde am 11. November um 03:13 UTC aktualisiert. Zum Zeitpunkt des Verfassens zeigen beide Repositories null Downloads und null Likes, dem Modell ist kein Inference-Provider zugeordnet, und es gibt keinen Hersteller-Launch-Post, keinen Blogbeitrag und keine Pressemitteilung dazu. Die Updates-Liste der Model Card selbst, datiert auf den 11. November, ist die einzige Ankündigung: drei Zeilen, die besagen, dass das Paper, der Benchmark, das RL-Dataset und die Checkpoints veröffentlicht sind.

Die ehrliche Einordnung ist also: Es wurde still veröffentlicht und nicht angekündigt. Alles im Folgenden, was aus einem Repository stammt, ist heute überprüfbar; alles dazu, wie sich das Modell außerhalb der Testumgebung der Autoren verhält, ist noch nicht bestätigt, denn niemand außerhalb von Ant Group und der Zhejiang University hat es ausgeführt und Rückmeldung gegeben.

Zwei Details aus dem Repository sollte man kennen, bevor der Vergleich beginnt, denn beide schränken ein, was man damit tun kann.

• Architektur.Ein Derivat von Qwen3.5-4B – 32 Schichten, Hidden-Größe 2.560, 16 Query-Heads gegenüber 4 KV-Heads bei einer Head-Dimension von 256, ein 3:1-Verhältnis von linearem DeltaNet zu voller Aufmerksamkeit, 262.144 maximale Positionen, ein Vokabular von 248.320 Token und ein 24-schichtiger Vision-Encoder mit Hidden-Größe 1.024. Die Gesamtzahl, einschließlich Encoder und Projektor, beträgt 4.539.265.536 Parameter.

• Lizenz. Der Lizenzabschnitt der Karte deckt den Code ab, der unter Apache 2.0 steht, und verweist dann: „Siehe die Hugging Face-Karten für die Bedingungen der einzelnen Datensätze und Checkpoints.“ Die Checkpoint-Karte trägt überhaupt kein Lizenz-Tag. Qwen3.8-27B ist eindeutig Apache 2.0. Wenn Sie eine Lizenz benötigen, die Sie einem Anwalt vorlegen können, ist diese Asymmetrie das Erste, worauf Sie stoßen, und sie wird durch nichts in der Veröffentlichung aufgelöst.

Die eine Liste, in der beide Modelle nebeneinander erscheinen

ZoomGainBench ist ein zweisprachiger Benchmark mit 1.000 Fragen über 941 Bilder: 472 Fragen zur Attributererkennung mit vier bis sechs Optionen, 94 Zählfragen und 434 OCR-Fragen, jeweils in einer englischen und einer chinesischen Version, also 2.000 Evaluierungsinstanzen. Achtundzwanzig Modelle wurden unter einem einheitlichen Harness darauf ausgeführt – derselbe System-Prompt, Temperatur 0, Denkmodus für jeden Q​wen-Checkpoint deaktiviert, 2.048 Ausgabe-Tokens für die nicht-agentischen Modelle. Das beste Ergebnis im Feld erzielt GPT-5.6-Sol mit 61,08, und nur fünf Modelle übertreffen 50.

Qwen3.8-27B kommt insgesamt auf 44,81: 43,84 in Englisch aus 40,25 bei Attribut, 54,26 bei Zählen und 45,49 bei OCR sowie 45,78 in Chinesisch. ZoomGain-4B, in der Trainingstabelle statt in der Benchmark-Tabelle, kommt auf 55,81. Beide Werte sind der Gesamtwert über beide Sprachen nach denselben Bewertungsregeln; damit ist dies so nah an einer kontrollierten Paarung, wie die Veröffentlichung sie bietet, und dabei liegt das 4B-Modell um 11,00 Punkte vorn.

• Parameter. 4,54 Mrd. gegenüber 27,78 Mrd. – ein Unterschied um den Faktor 6,1 in der Richtung, die das Ergebnis überraschend macht.

• Wofür jedes gebaut wurde. ZoomGain-4B ist Qwen3.5-4B, das eine Epoche GRPO auf 9.000 extrahierten Fragen durchlaufen hat, 140 Schritte, Batch 64, acht Rollouts pro Frage, Lernrate 1e-6, kein KL-Term. Qwen3.8-27B ist ein allgemeines dichtes Modell mit einem Reasoning-Modus, Tool-Aufrufen und einem Videopfad.

• Trainingsdaten. 9.000 Fragen für das eine. Für das andere der gesamte Pretraining- und Post-Training-Korpus von Alibaba, dessen Umfang nicht bekannt gegeben wurde.

• Verfügbarkeit. ZoomGain-4B: drei GGUF-Präzisionen und eine separate Projektor-Datei, kein gehosteter Endpunkt. Qwen3.8-27B: Apache-2.0-Gewichte, ein FP8-Build, 7,4 Millionen Downloads und Endpunkte, die Sie heute aufrufen können.

Der Vergleich, den die Arbeit tatsächlich herstellt

Hier ist der Teil, der verloren geht, wenn die Veröffentlichung auf „4B schlägt 27B“ reduziert wird. Das Paper brauchte eine Baseline für seine eigenen Daten und verwendete eine: ZwZ, einen ICML-2026-Datensatz zur feinkörnigen Wahrnehmung, der durch Region-zu-Bild-Distillation erstellt wurde. Beide Seiten wurden identisch behandelt. Zwölftausend Bilder wurden gesampelt und 23.610 Fragen generiert; das Benchmark übernahm 1.000; aus dem Rest ergaben sich 8.746 bildabgestimmte Fragepaare, und 254 wurden auf beiden Seiten dupliziert, um jeden Satz auf 9.000 zu bringen. Gleiche Bilder, gleiche Basis-Checkpoints, gleiche Hyperparameter, gleiche 140 Schritte. Die einzige Variable sind die Fragen.

Die ZoomGain-Daten übertreffen die ZwZ-Daten in jeder Dimension, die das Paper berichtet. Bei Qwen3.5-4B steigt der Held-in-Score von 40,99 auf 55,81 und der Held-out-Durchschnitt über dreizehn Benchmarks von 58,94 auf 63,96; bei Qwen3.5-9B lautet dasselbe Zahlenpaar 44,07 zu 55,48 und 62,53 zu 66,10. Das ist ein reales, sauber kontrolliertes Ergebnis dazu, wie Supervision erzeugt wird, und es ist der Beitrag, den der Titel des Papers benennt.

Qwen3.8-27B trägt nichts zu diesem Argument bei. Es erscheint einmal, als eine einzelne Zeile unter 27 anderen im Benchmark getesteten Modellen. Es ist ein Maßstab – ein kompetenter Generalist, gemessen auf einer Verteilung, für die niemand es trainiert hat –, kein Konkurrent. Der Text der Arbeit selbst sagt ausdrücklich, dass die Lücke, die es ausnutzt, geteilt wird: Distraktoren durch Fehler in der Gesamtansicht machen 71,7 % aller falschen Antworten über alle 28 Modelle aus, mehr als die 54,5 %, die eine zufällige Auswahl unter den Optionen erzeugen würde, und die vier Closed-Source-Modelle, die am Aufbau des Benchmarks nicht beteiligt waren, zeigen dasselbe Verhalten mit 75,7 % gegenüber den erwarteten 57,4 %.

Die Ablation ist das stärkste Argument gegen die Schlagzeile.

Die Autoren führten die naheliegende Plausibilitätsprüfung an sich selbst durch, und das Ergebnis ist die informativste Tabelle des Papers. Sie trainierten zweimal mit denselben 9.000 Fragen neu und entfernten dabei jeweils eine der beiden Designentscheidungen, die ihre Pipeline definieren: die Regel, dass Fragen nur aus Details aufgebaut werden dürfen, die im vollständigen Bild nicht sichtbar sind, und die dedizierte Distraktor-Generierungsstufe.

• Vollständige Pipeline. ZoomGainBench 55,81; im Durchschnitt über die zehn zurückgehaltenen Benchmarks, die die Ablation meldet, 60,96.

• Dedizierte Distraktoren entfernt. ZoomGainBench 46,85 — ein Verlust von 8,96 Punkten beim Held-in-Test — und der Zehn-Benchmark-Durchschnitt 59,14, ein Verlust von 1,82.

• Inkrementelle Evidenz entfernt. ZoomGainBench 49,71, ein Verlust von 6,10 — und der Durchschnitt über die zehn Benchmarks 58,57, ein Verlust von 2,39.

Beide Designentscheidungen bringen sechs bis neun Punkte auf ZoomGainBench und etwa zwei Punkte bei allem anderen. Die Autoren nennen den Grund unumwunden: Das Entfernen dedizierter Distraktoren „verursacht den größten Rückgang auf dem im Trainingsset enthaltenen ZoomGainBench“, weil „die Optionen des Benchmarks mit derselben Pipeline konstruiert werden“. Mit anderen Worten: Etwa drei Viertel des prominenten Zugewinns auf dem Benchmark, der die Schlagzeilenzahl hervorbrachte, sind darauf zurückzuführen, dass das Modell lernt, die Art von Frage zu beantworten, die die Pipeline schreibt, und nicht darauf, dass es besser sehen lernt.

Was davon übrig bleibt, ist immer noch substanziell. Bei den dreizehn Benchmarks, die das Training nie berührt hat, steigt Qwen3.5-4B von 57,86 auf 63,96 — 6,10 Punkte aus 9.000 Stichproben — mit den größten Zuwächsen genau in der Familie, auf die die Pipeline abzielt: HR-Bench 4K 81,25 auf 87,25, V*Bench 81,68 auf 90,05, VisualProbe 43,30 auf 57,28, O3-Bench 54,20 auf 63,19. Eine Benchmark verschlechtert sich: TreeBench, 49,38 auf 49,14, ein Fünftel eines Punktes. MMStar, eine allgemeine multimodale Suite, bewegt sich von 66,80 auf 72,53, und BabyVision bleibt mit 21,13 schwach.

Dieses Profil ist die Signatur einer eng begrenzten Intervention, und auf dieses Profil sollten Sie Ihre Planung abstellen. Das Modell wurde besser darin, kleine Dinge in einer Szene aufzulösen. Es ist kein besserer Generalist geworden, und die Arithmetik, die etwas anderes behauptet, ist Arithmetik auf seinem eigenen Benchmark.

Was der Benchmark eigentlich abfragt, denn genau das würden Sie kaufen

Wenn der beabsichtigte Zweck die Prüfung feiner Details ist, zählt die Zusammensetzung des Tests mehr als die Gesamtpunktzahl, und die Fehleranalyse des Papers ist diesbezüglich ungewöhnlich konkret.

• Kleine Anker dominieren. Die Genauigkeit steigt mit dem Anteil des Bildes, den das abgefragte Detail einnimmt, und zwar für jede Modellgruppe: Im Durchschnitt über alle 28 steigt sie von 28,9 % im kleinsten Quartil, in dem der Anker weniger als 0,4 % des Bildes bedeckt, auf 55,2 % im größten.

• Zählen ist das Zählen kleiner Zahlen. 67 der 94 Zählfragen haben eine Ground Truth von höchstens drei, und 71,6 % der falschen numerischen Antworten weichen um genau eins ab. Die Schwierigkeit besteht darin, einige wenige kleine Instanzen aufzulösen, nicht viele aufzuzählen.

• Die Attributererkennung ist die schwierige Kategorie. Sie erzielt bei 23 der 28 Modelle die niedrigste Punktzahl, und gleichmäßiges Raten über die Optionen würde bereits etwa 21,5 % ergeben.

• Der Fehlermodus ist die szenenplausible Substitution.In einem dokumentierten Fall bezeichnen 46 von 56 Bewertungen ein weißes Objekt auf dem Armaturenbrett eines Lastwagens als orange – plausibel die Farbe der Weste, die der davor stehende Arbeiter trägt. In einem anderen Fall nennt fast jede Bewertung eine Marke für Hockeyausrüstung statt des tatsächlich auf dem Kleidungsstück aufgedruckten Logos. Modelle sagen nicht „Ich kann es nicht sehen“; sie antworten aus dem Kontext.

Dieses Fehlerbild ist das praktische Argument für diese Art von Training, denn es ist dasselbe, das eine Dokumentenpipeline bei einer gescannten Rechnung stillschweigend falsch werden lässt. Es ist auch das Argument dafür, es zu messen: Ein Modell, das eine plausible Antwort einsetzt, erzeugt selbstsichere Ausgaben, sodass nichts nachgelagert es bemerkt.

Wo sich Qwen3.8-27B in einem anderen Raum befindet

Die 44,81 ist real, und sie ist zugleich die einzige Zahl in diesem Artikel, anhand derer Qwen3.8-27B hier beurteilt wird. Ihre eigene Modellkarte berichtet über einen völlig anderen Satz von Dingen, und keines davon lässt sich mit ZoomGain-Zahlen vergleichen, weil die beiden Modelle dafür nie auf demselben Harness liefen.

• Agentisches Coding. Terminal Bench 2.1 bei 73,0, SWE-bench Pro 61,7, LiveCodeBench v6 90,3, QwenSWEBench 79,0 – alle vom Anbieter gemeldet auf Qwens eigener Modellkarte, wobei die Harness-Notizen begleitend veröffentlicht wurden.

• Logisches Denken und Computernutzung. GPQA Diamond 89.2, HLE 30.8, OSWorld-Verified 84.3, WebArena-Verified 64.8.

• Multimodale Arbeit. OmniDocBench 1.5 bei 91,1, CharXiv-Reasoning 83,7 ohne Chain-of-Thought-Injektion und 90,2 mit ihr, RealWorldQA 85,9, MathVision 90,0.

• Fähigkeitsspektrum. Denken standardmäßig aktiviert mit reasoning_effort auf xhigh, medium oder low, beibehaltenes Denken über Turns hinweg, native Tool-Aufrufe, strukturierte Ausgaben, Videoeingabe, 262.144 Positionen nativ und auf eine Million erweiterbar.

ZoomGain-4B wurde auf keinem dieser Bereiche evaluiert, und es wäre nicht zu erwarten, dass es bei einem davon gut abschneidet: Sein Training hat weder Code, Terminal-Aufgaben, Dokumente noch Diagramme berührt. Außerdem gibt es keine berichtete Evaluierung im Denkmodus – die eigene Prüfumgebung der Veröffentlichung läuft mit deaktiviertem Denken bei Temperatur 0, sodass alle veröffentlichten Informationen darüber sein Direktantwort-Verhalten beschreiben. Der Wert 44,81 von Qwen3.8-27B wurde auf dieselbe Weise gemessen, mit enable_thinking=false, was das Einzige ist, das den Vergleich fair macht, und das Einzige, das Qwens besten Modus ungetestet lässt.

Um es klar zu sagen: Auf der Achse, für die ZoomGain-4B trainiert wurde, gewinnt es, und auf den Achsen, für die Qwen3.8-27B gebaut wurde, ist das 4B nicht im Spiel. Keines von beidem ist überraschend, und eines von beidem als die ganze Geschichte zu behandeln, ist der Weg, auf dem eine Vergleichsseite nutzlos wird.

Was es jeweils kostet, sie aufzubauen – und die eine, die du heute anrufen kannst.

Hier gehen die beiden auf eine Weise auseinander, die eher über das Deployment entscheidet als über den Benchmark.

ZoomGain-4B hat nirgendwo einen gehosteten Endpoint. Was existiert, ist das BF16-Repository, 4,54 Milliarden Parameter über ein Sprachmodell und einen separaten Vision-Encoder verteilt, sowie drei GGUF-Builds: Q4_K_M mit 2,71 GB, Q8_0 mit 4,48 GB und F16 mit 8,42 GB, jeweils mit ihrem eigenen mmproj-Projektor – 0,23 GB, 0,36 GB bzw. 0,67 GB –, der laut GGUF-Karte für die Bildeingabe erforderlich ist. Um es auszuführen, braucht man llama-mtmd-cli oder llama-server aus einem llama.cpp-Build, der aktuell genug ist, um Qwen3.5 multimodal zu kennen; um es mit voller Präzision auszuführen, braucht man vLLM 0.19.1 mit transformers 5.7.0. Es gibt keinen MLX-Build, kein ONNX, kein Draft-Modell für spekulative Dekodierung und keinen Anbieter, auf den man zurückgreifen kann, wenn der eigene Build kaputtgeht.

Qwen3.8-27B ist im OrcaRouter-Katalog enthalten, und wir betreiben diese Gewichte auf unserer eigenen Infrastruktur, statt den Endpunkt eines anderen weiterzuverkaufen – deshalb ist der Preis auf unserer Modellseite der Preis, ohne zusätzlichen Aufschlag und ohne dass dazwischen ein Listenpreis eines Anbieters aufgeschlagen wird. Es kostet $0.33 pro Million Eingabe-Tokens und $2.40 pro Million Ausgabe, Text-, Bild- und Videoeingabe, 262.144 Tokens Kontext und ein einziger Schlüssel. Derselbe Schlüssel erreicht außerdem Qwen3.8-Flash für $0.15 und $0.47 pro Million bei einem Fenster von einer Million Tokens sowie Qwen3.8-Max für $2.00 und $6.00, sodass eine Workload, die dem 27B entwächst oder ein längeres Fenster benötigt, ohne zweiten Vertrag oder Codeänderung umzieht. Failover ist der Punkt, der für alles mit Produktionscharakter zählt: Bei einem hängenden Anbieter wird ein erneuter Versuch gestartet, bevor die Antwort beginnt, statt erst, nachdem Ihre Anfrage in einen Timeout gelaufen ist.

ZoomGain-4B ist nicht in diesem Katalog und kann nicht über uns aufgerufen werden. Es ist ein Ordner mit Gewichten, den Sie selbst bereitstellen, und die ehrliche Version der Empfehlung muss genau dort ansetzen.

Wer sollte handeln, und was ist noch unbestätigt?

Wenn Sie bildlastige Arbeit haben, bei der die Antwort von einem kleinen Detail abhängt – einer Teilenummer auf einem Etikett, einer Farbe auf einem Bildschirm, ob es zwei Schrauben oder drei sind –, ist ein 4,54B-Modell, das speziell darauf mit RL trainiert wurde und lokal mit 2,71 GB in Q4_K_M läuft, eine glaubwürdige, günstige zweite Meinung, die Sie parallel zu einem gehosteten Generalisten heranziehen können. Nicht anstelle eines solchen. Das Fehlerprofil des Spezialisten ist die selbstsichere Substitution, und genau diesen Fehler fängt eine Generalistenprüfung ab – und umgekehrt.

Wenn Ihre Workload aus Dokumenten, Diagrammen, Screenshots, Videos, Code oder Agenten besteht, ist das 27B die erste Wahl, und ein Wert von 44,81 auf einem Feinstdetail-Benchmark, für den niemand es trainiert hat, ist kein Grund, etwas anderes anzunehmen.

Was weiterhin unbestätigt bleibt und eher beobachtet als vorausgesetzt werden sollte:

• Die Lizenz für die Gewichte. Apache 2.0 deckt den Code ab. Der Checkpoint trägt kein Lizenz-Tag, und die Model Card verweist auf „die Bedingungen jedes Datensatzes und Checkpoints“, ohne sie zu nennen. Bis das geklärt ist, ist kommerzieller Einsatz ein Gespräch mit einem Anwalt, kein Ankreuzfeld.

• Jede Reproduktion.Alle oben genannten Zahlen stammen von den Autoren und wurden mit deren eigenem Harness erzeugt. Benchmark und Evaluator sind öffentlich und somit überprüfbar, aber niemand außerhalb von Ant Group und der Zhejiang University hat dies überprüft.

• Ob der Gewinn über die Pipeline hinaus generalisiert. Den zurückgehaltenen Zahlen ist zu trauen; sie sind bescheiden – 6,10 Punkte über dem Durchschnitt des Basismodells über dreizehn Benchmarks – und sie neigen stark zur feinkörnigen Familie, auf die das Training abzielte. Ob sich das auf Ihre Bilder überträgt, ist eine offene Frage, die die Veröffentlichung nicht beantwortet.

• Ob es im Q4 standhält. Die GGUF-Karte warnt, dass Quantisierung die Genauigkeit beeinträchtigen kann, und es gibt keine veröffentlichten Vergleiche der quantisierten Builds mit dem BF16-Checkpoint auf ZoomGainBench. Bei einem Modell, dessen ganzer Wert in feinen Details liegt, ist das das Experiment, das man durchführen sollte, bevor man einer 2,71-GB-Datei vertraut.