ZoomGain-9B wurde ohne Ankündigung veröffentlicht: Was das Repository tatsächlich sagt

Die Arbeit erschien am 10. November 2026 auf arXiv. Das GitHub-Repository wurde einen Tag früher, am 9. November, angelegt, und sein erster Commit trägt den Titel „Release ZoomGain init“. Die Gewichte erschienen am 10. November um 11:42 UTC auf Hugging Face, gefolgt von einem GGUF-Repository am 11. November um 03:16. Es gibt keinen Launch-Blogbeitrag, keine Anbieterankündigung, keinen gehosteten Endpoint und kein Lizenz-Tag am Checkpoint-Repository selbst. Das ist der gesamte öffentliche Nachweis zu ZoomGain-9B, einem Vision-Language-Modell mit 9,4 Milliarden Parametern von inclusionAI, der Open-Model-Sparte von Ant Group, und der Grund, warum dieser Beitrag als Repository-Analyse statt als Launch-Story geschrieben ist.

Was es der Aufmerksamkeit wert macht, ist nicht die Heimlichkeit. Es ist, dass das Repository für etwas, das niemand angekündigt hat, ungewöhnlich vollständig ist: das Paper, der Benchmark mit 1.000 Fragen, der Reinforcement-Learning-Datensatz mit 9.000 Einträgen, der Evaluator, der Trainings-Launcher, zwei Checkpoints mit 4B und 9B und drei GGUF-Quantisierungen – all das ist innerhalb von rund zwei Tagen erschienen. Man kann die Methode lesen, die Evaluierung erneut ausführen und das Training heute reproduzieren. Das Einzige, was fehlt, ist, dass jemand aus dem Unternehmen sagt, dass es existiert.

Was tatsächlich ankam, in der Reihenfolge

• 9. November 2026 – das inclusionAI-GitHub-Repository wird erstellt. Es steht unter der Apache-2.0-Lizenz und enthält den Code für Datenaufbau und Training, nicht die Gewichte.

• 10. November 2026 — arXiv:2611.14076v1, „ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision“, von Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao und Jianwei Yin, mit Zugehörigkeiten zu Ant Group, Zhejiang University, Om AI Research und dem Binjiang Institute.

• 10. November 2026, 11:42 UTC — inclusionAI/ZoomGain-9B und inclusionAI/ZoomGain-4B werden auf dem Hub erstellt, jeweils mit einer einzelnen BF16-safetensors-Datei von 18,82 GB bzw. 9,08 GB.

• 11. November 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF erscheint mit Q4_K_M-, Q8_0- und F16-Builds sowie passenden mmproj-Projektor-Dateien; das ist der Schritt, der aus einem Forschungs-Checkpoint etwas macht, das ein Laptop versuchen kann.

Ein kleines Detail, das es wert ist, erwähnt zu werden, weil es genau die Art von Sache ist, die ein koordinierter Launch nicht hervorbringt: Der Abschnitt „Updates“ der Model Card datiert das Paper, den Benchmark, das Dataset und die Checkpoints allesamt auf den 2026.11.11, während der Erstellungszeitstempel des Repositories und das arXiv-Einreichungsdatum beide den 10. November angeben. Die Card wurde im Nachhinein in einem Durchgang von jemandem geschrieben, der aufgeräumt hat.

Die Idee, in einem Absatz, weil sie wirklich eine einzige Idee ist

Ein Vision-Modell kann eine Frage zu einem Bildbereich oft beantworten, scheitert aber, wenn derselbe Bereich im gesamten Bildrahmen erscheint. Die Autoren nennen dies die global-to-zoom perception gap und machen daraus ein Überwachungssignal. Stufe eins: Mehrere Modelle lokalisieren unabhängig voneinander ein in der vollständigen Szene beschriebenes Ziel, und ihre Übereinstimmung identifiziert einen zu zuschneidenden Bereich. Stufe zwei: Beschreibungen des Zuschnitts und Beschreibungen der vollständigen Szene werden verglichen, und jedes Detail, das der Zuschnitt zeigt, die vollständige Ansicht aber nicht, wird zu einer Frage, die zum Originalbild gestellt wird. Stufe drei: Antworten werden am Zuschnitt erneut geprüft, mehrdeutige Fragen sowie Fragen, die sich aus Sprach-Priors beantworten lassen, werden herausgefiltert, und für das Multiple-Choice-Format werden plausible Distraktoren erzeugt.

Das Training ist GRPO auf 9.000 Datensätzen, die aus 7.713 Quellbildern erstellt wurden – eine Epoche, Batchgröße 64, acht Rollouts pro Frage – unter Verwendung des mitgelieferten EasyR1-Codes. Die Evaluierung verwendet standardmäßig Temperatur 0 mit deaktiviertem Q​wen3.5-Thinking, und OCR- sowie Zählfragen bleiben offen, während Attributfragen zu Multiple-Choice-Fragen werden. Nichts davon ist für sich genommen ungewöhnlich; ungewöhnlich ist, dass die Pipeline, die die Trainingsdaten erzeugt hat, auch den Benchmark erzeugt hat, und das Paper ist diesbezüglich ausdrücklich.

Zwei Zahlen, die nicht dieselbe Zahl sind

Auf ZoomGainBench – dem englisch-chinesischen Benchmark mit 1.000 Fragen und 941 Bildern, der von derselben Pipeline erstellt wurde – erzielt ZoomGain-9B 55,48. Sein Basismodell Qwen3.5-9B erreicht 32,13. Das ist ein Sprung von 23,35 Punkten auf einem Benchmark, aus dem die eigenen Trainingsdaten des Modells gewonnen wurden, und genau aus diesem Grund bezeichnet das Paper die Spalte als „Held-in“.

Die Zahl, die man für eine Entscheidung heranziehen sollte, ist der Durchschnitt über dreizehn Benchmarks, die das Training nie berührt hat, womit ZoomGainBench ausgeschlossen ist: 66,10 für ZoomGain-9B gegenüber 59,75 für Qwen3.5-9B. Ein durchschnittlicher Gewinn von 6,35 Punkten aus 9.000 Samples ist ein solides, glaubwürdiges Ergebnis. Beide Zahlen sind real. Sie beantworten unterschiedliche Fragen, und jede Seite, die 55,48 zitiert, ohne „held-in“ zu sagen, erzählt Ihnen nur die Hälfte davon.

Es gibt eine zweite Merkwürdigkeit in derselben Tabelle, die anscheinend noch niemand bemerkt hat: Das kleinere Geschwistermodell schlägt das 9B auf dem Held-in-Benchmark. ZoomGain-4B erzielt 55,81 auf ZoomGainBench gegenüber 55,48 beim 9B, verliert aber beim Held-out-Durchschnitt mit 63,96 zu 66,10. Auf dem aus der Trainingsverteilung erstellten Benchmark liegen beide innerhalb des Rauschens gleichauf; sobald man diese Verteilung verlässt, setzt sich die Größe wieder durch. Würde man zwischen ihnen anhand einer einzigen prominenten Kennzahl wählen, würde man das falsche Modell nehmen.

Was 9.000 Stichproben brachten – Benchmark für Benchmark

Alle folgenden Werte sind von den Autoren berichtete Zahlen aus Tabelle 3 des Artikels; sie wurden mit der eigenen Testumgebung der Autoren auf dem veröffentlichten Evaluator ausgeführt und von niemandem unabhängig reproduziert:

• HR-Bench 4K — 90,25, gegenüber 82,13. Das ist die Zahl, mit der das Abstract beginnt, und sie ist die stärkste Aussage in der Mitteilung.

• V*Bench — 93,19, zuvor 86,91. Erkennung kleiner Objekte bei hoher Auflösung.

• VisualProbe — 56,31, ein Anstieg von 44,66. Der größte relative Zuwachs außerhalb des Held-in-Benchmarks.

• O3-Bench — 68,12, gestiegen von 56,52. Mehrstufige Wahrnehmung und logisches Schlussfolgern.

MMVP — 70,00, gegenüber 60,00. Der klassische Test mit Bildpaaren, die sich in einem Detail unterscheiden.

• MMStar — 73,87, ein Anstieg von 71,73. Allgemeine multimodale Kompetenz und der geringste Zuwachs der Auswahl.

• BabyVision — 17,53, gegenüber 15,98. Noch immer nahe am unteren Ende, und ein nützlicher Hinweis darauf, dass die Zugewinne in der Feindetail-Familie konzentriert und nicht gleichmäßig verteilt sind.

Zusammengenommen passt das Muster eher zur Methode als zu einem allgemeinen Fähigkeitsschub: Die größten Differenzen zeigen sich bei Benchmarks, die das Finden eines kleinen Details in einem großen Bildausschnitt belohnen, und die kleinsten bei Benchmarks, die breites Weltwissen und gewöhnliches visuelles Schlussfolgern belohnen. Genau so sollte ein gezielter RL-Lauf mit 9.000 Fragen zu ausgeschnittenen Details aussehen.

Was sich wissen lässt, was behauptet wird und was schlicht nicht bestätigt ist

Heute aus dem Repository erkennbar, ohne sich auf jemandes Wort verlassen zu müssen: die Architektur, weil die Konfiguration öffentlich ist und einen Qwen3.5-9B-Text-Trunk mit 32 Schichten, Hidden-Size 4.096, Intermediate-Größe 12.288 und 262.144 maximalen Positionen ausweist, eingebettet in einen Vision-Tower; die Trainingsdaten, weil das Parquet mit 9.000 Datensätzen und die Quellbilder als Dataset mitgeliefert werden; die Methode, weil die Prompts im Anhang des Papers stehen; und die Evaluation, weil Evaluator, Annotationen und Bilder alle herunterladbar sind.

Behauptet, aber nicht bestätigt: jeder oben aufgeführte Benchmark-Score. Das Paper berichtet sie mit dem veröffentlichten Harness, was sie leichter überprüfbar macht als die meisten Anbietertabellen – man kann sie erneut laufen lassen –, doch niemand außerhalb der Autorenliste hat das bisher getan, und kein unabhängiges Labor hat ein ZoomGain-9B-Ergebnis veröffentlicht.

Ganz und gar nicht bestätigt, und das sollte man ruhig deutlich sagen:

• Die Checkpoint-Lizenz. Der Code steht unter Apache 2.0, und die Card sagt das auch. Die Card verweist für die Bedingungen von Modell und Datasets dann auf „die Hugging Face Cards für die Bedingungen des jeweiligen Datasets und Checkpoints“, und das Checkpoint-Repository trägt in seinen Hub-Metadaten kein Lizenz-Tag. Diese Lücke gilt es zu schließen, indem man die Dateien liest, bevor man ausliefert – es ist kein Versprechen, auf das man sich verlassen kann.

• Die Kontextlänge. Die Model Card gibt keine an. Die 262.144 maximalen Positionen der Konfiguration sind vom Qwen3.5-9B-Trunk übernommen, was nicht dasselbe ist wie eine getestete Eigenschaft des nachtrainierten Checkpoints, und jede Auswertung im Paper verwendet ein einzelnes Bild mit deaktiviertem Thinking.

• Allgemeines Assistentenverhalten. In der Veröffentlichung werden weder Chat, Tool-Aufrufe, Langformgenerierung noch Mehrrundennutzung getestet. Das Modell wurde darauf trainiert, Fragen zu Fotografien zu beantworten, und das ist die einzige Fähigkeit, für die es Belege gibt.

• Beliebiger Host. Die Provider-Zuordnung des Hubs für das Repository ist leer. Es ist keine Vendor-API und kein Drittanbieter-Endpunkt aufgeführt, daher bedeutet „ausprobieren“ derzeit „18,82 GB herunterladen“.

Ich mache es diese Woche, wenn du willst.

Der GGUF-Weg ist der günstige: ein 5,63 GB großes Q4_K_M-Build plus einen 0,52 GB großen mmproj-Projektor, oder 9,53 GB bei Q8_0, oder 17,92 GB bei F16. Für Bildeingaben werden beide Dateien benötigt – der Projektor ist nicht optional, und ein llama.cpp-Build mit Qwen3.5-Multimodal-Unterstützung ist die Voraussetzung. Der Referenzweg ist schwerer, aber besser dokumentiert: vLLM 0.19.1 mit transformers 5.7.0, genau die Versionen, mit denen die Autoren evaluiert haben, auf einem BF16-Checkpoint, der mindestens eine 24-GB-Karte und komfortablen Spielraum darüber hinaus verlangt.

Es lohnt sich, sowohl die Gewichte als auch das Evaluierungsprotokoll einzuplanen. Die Autoren arbeiten bei Temperatur 0 mit deaktiviertem Thinking und bewerten Attributfragen anhand exakter Übereinstimmung bei der gewählten Option, Zählfragen anhand exakter Übereinstimmung bei der vorhergesagten Ganzzahl und OCR anhand von ANLS mit einer Untergrenze von 0,7. Wenn Sie mit aktiviertem Thinking oder mit einem anderen Prompt-Template evaluieren, messen Sie etwas, das die Autoren nicht berichtet haben, und sollten nicht erwarten, dass sich ihre Zahlen übertragen lassen.

OrcaRouter hostet ZoomGain-9B nicht, und dieser Beitrag wird nichts anderes vorgeben. Was wir aber haben, ist ein Schlüssel für über 200 Modelle zum Listenpreis des Anbieters ohne zusätzlichen Aufschlag, was hier aus einem konkreten und praktischen Grund wichtig ist: Der schnellste Weg herauszufinden, ob die Fehler in Ihrer Pipeline Feindetailfehler sind, besteht darin, dieselben Bilder durch ein gehostetes Vision-Modell laufen zu lassen und Fehlerfälle zu vergleichen. Qwen3-VL-8B-Instruct in unserem Katalog kostet $0.18 pro Million Eingabetoken und $0.70 pro Million Ausgabetoken bei einem 131K-Kontext, nimmt Bilder und Videos entgegen und wird nicht an ein Modell heranreichen, das auf aus Bildausschnitten gewonnenen Fragen trainiert wurde – aber es wird Ihnen innerhalb eines Nachmittags sagen, ob sich der Kauf der GPU lohnt.

Was würde diese Geschichte verändern?

Vier Dinge, in aufsteigender Reihenfolge ihrer Wichtigkeit. Eine Ankündigung von inclusionAI, die eine Repository-Durchsicht in einen Launch verwandeln und vermutlich mit einer Lizenzklärung einhergehen würde. Ein Lizenz-Tag für den Checkpoint, das die eine Frage klären würde, die derzeit die kommerzielle Nutzung blockiert. Ein gehosteter Endpoint, der die 18,82-GB-Hürde für alle beseitigen würde, die nicht über die Hardware verfügen. Und eine unabhängige Evaluierung, die als einzige wirklich etwas bewegen würde: Die Behauptung, dass ein 9B-Modell 90,25 auf HR-Bench 4K erreicht, ist die Art von Zahl, die entweder ein zweites Labor übersteht oder still verschwindet.

Bis dahin lautet die ehrliche Zusammenfassung, dass ZoomGain-9B eine gut dokumentierte Forschungsveröffentlichung mit einer nachvollziehbaren Methode, einer reproduzierbaren Testumgebung und einer ungewöhnlich ehrlichen Held-in-/Held-out-Aufteilung ist und dass keine dritte Partei dahintersteht. Das ist mehr, als die meisten stillen Veröffentlichungen bieten, und weniger als ein Produkt.