Tarjeta de título para el artículo sobre ZoomGain-4B: el titular ZoomGain-4B, un subtítulo que dice inclusionAI publicó los pesos el 11 de noviembre de 2026 y no anunció nada, y tres chips que dicen 4.54B parámetros, Visión-lenguaje y Sin API alojada.
Engineering & Research

ZoomGain-4B se lanzó el 11 de noviembre sin ningún anuncio que lo respaldara.

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

El primer commit en inclusionAI/ZoomGain está fechado el 2026-11-09 a las 02:13 UTC y su mensaje es «Release ZoomGain init». Los pesos de ZoomGain-4B aparecieron en Hugging Face el 2026-11-10 a las 11:38 UTC. El listado de arXiv, el conjunto de evaluación y el corpus de aprendizaje por refuerzo que lo produjo están todos fechados el 2026-11-11, el mismo día en que se tocó por última vez la tarjeta del modelo. Lo que no ha aparecido, en ningún lugar que yo haya podido encontrar, es una entrada de lanzamiento. No hay ninguna noticia en el sitio de inclusionAI, ningún anuncio en el perfil de Hugging Face de la organización más allá del propio repositorio, ningún endpoint alojado y ninguna cobertura por parte de nadie. ZoomGain-4B es un modelo de lenguaje y visión construido mediante aprendizaje por refuerzo sobre Qwen3.5-4B, y a fecha de esta mañana las únicas personas que saben que existe son las que dieron con un listado de repositorios por casualidad. Este es un artículo de lo que dice el repositorio: cada cifra que aparece a continuación es o bien una marca temporal que puedes verificar tú mismo o bien un número que los autores pusieron en su propia tarjeta, y los lugares en los que eso no basta se señalan como tales.

Para un lector que quiera hacerse una idea general antes del detalle: el modelo es un checkpoint multimodal de 4,54 mil millones de parámetros que responde preguntas de opción múltiple sobre detalles visuales finos —texto pequeño en una fotografía, el conteo de objetos en una escena desordenada, un atributo que solo es legible cuando se hace zoom o se recorta—. La afirmación de los autores es que un modelo de visión que mira una imagen completa pasa por alto detalles que puede leer perfectamente bien una vez que se amplía la misma región, y que esa brecha puede convertirse en señal de entrenamiento. Luego construyeron un benchmark de 1.000 preguntas con la misma maquinaria, y en ese benchmark el 4B entrenado obtiene 55,81 frente a 30,03 del modelo a partir del cual se entrenó. Esos dos números son todo el argumento, y vienen con una advertencia que el propio artículo señala: el benchmark se construye con el mismo pipeline que los datos de entrenamiento, lo que el artículo llama "held-in".

Qué ha llegado, y qué dicen las marcas de tiempo

El lanzamiento es inusualmente completo para algo que nadie anunció. Seis artefactos, todos dentro de una ventana de 48 horas:

• El artículo. "ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision," arXiv 2611.14076, presentado el 10 de noviembre de 2026, por Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao y Jianwei Yin. Siete autores, cs.CV y cs.AI.

• El checkpoint de 4B. inclusionAI/ZoomGain-4B, safetensors en BF16. Los metadatos del archivo contabilizan 4.539.265.536 parámetros. Apache 2.0 para el código; la tarjeta remite los términos del checkpoint y del conjunto de datos a sus propios repositorios.

• El punto de control de 9B. inclusionAI/ZoomGain-9B, 9.409.813.744 parámetros, creado cuatro minutos después de su hermano menor.

• Compilaciones cuantizadas. ZoomGain-4B-GGUF se publicó el 2026-11-11 a las 03:09 UTC con tres precisiones y proyectores de visión correspondientes: Q4_K_M de 2,71 GB, Q8_0 de 4,48 GB, F16 de 8,42 GB, cada una con un archivo mmproj para el codificador de imágenes. El GGUF de 9B llegó después.

• El benchmark. inclusionAI/ZoomGainBench, 1.000 preguntas sobre 941 imágenes, texto en inglés y chino para cada elemento, además de una respuesta de referencia, una regla de puntuación y un cuadro delimitador de evidencia en coordenadas de píxeles.

• Los datos de entrenamiento. inclusionAI/ZoomGain-RL-Data, 9.000 registros y 7.713 imágenes de origen en Parquet, con los metadatos de recompensa que espera el script de entrenamiento.

La quietud no es un misterio y no es siniestra. Es lo que parece el lanzamiento interno de un grupo de investigación cuando el artículo aparece en arXiv antes de que alguien escriba la entrada del blog. Las señales están todas ahí: tres commits de la mañana del 11 de noviembre se titulan todos «update readme» con catorce minutos de diferencia, el repositorio de GitHub tiene tres estrellas y el campo de descripción sin rellenar, ambos repositorios de checkpoints muestran cero descargas y cero me gusta, y la página del modelo 4B incluye una advertencia sobre metadatos YAML vacíos o ausentes. Nada de eso es evidencia sobre el modelo. Es evidencia sobre el despliegue.

Screenshot of the inclusionAI/ZoomGain-4B model card on Hugging Face, captured 11 November 2026, showing the repository header, the parameter metadata and the opening of the model card text.

El método, en tres movimientos.

La parte interesante de ZoomGain no es el modelo, sino cómo se hicieron las preguntas. El pipeline consta de tres etapas y solo la primera es convencional.

• Ubica el objetivo. Varios modelos localizan de forma independiente una región descrita en la escena completa. Cuando coinciden, esa coincidencia se toma como el recorte que vale la pena conservar. Usar el desacuerdo como filtro significa que ningún punto ciego de un solo modelo define el conjunto objetivo.

• Extraer evidencia. Se comparan las descripciones de la misma región en dos niveles de zoom. Todo lo que el recorte revela y la imagen completa no se convierte en una pregunta sobre la imagen completa. Este es el mecanismo que produce la brecha "global-to-zoom" a la que se refiere el título: la pregunta es respondible, pero solo si el modelo resuelve algo en el límite de su percepción.

• Verificar y generar distractores. Las respuestas se contrastan con el recorte, las preguntas ambiguas se descartan, las preguntas que pueden responderse sin la imagen se descartan y se generan distractores de opción múltiple. El análisis de ablación indica que este último paso aporta de verdad: eliminar los distractores dedicados cuesta 8,96 puntos en el benchmark de referencia, la mayor caída individual que reporta el artículo.

El entrenamiento en sí no es exótico. GRPO mediante el framework EasyR1 incluido, una época, tamaño de lote de 64, ocho rollouts por pregunta, lo que resulta en 140 pasos sobre 9.000 registros. El repositorio incluye una prueba de humo que ejecuta un solo paso, incluidos el rollout, la recompensa y el guardado de checkpoints, y lanzadores completos para ambos tamaños. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 y transformers 5.7.0 — todos con versiones fijadas, que es la diferencia entre un repositorio que se reproduce y uno que simplemente describe.

El número que importa, y la salvedad que lo reduce

ZoomGainBench es deliberadamente difícil. El modelo más fuerte en él es GPT-5.6-Sol, con 61,08 en la puntuación global, y eso es 61,08 sobre 100 en preguntas de opción múltiple sobre fotografías. Claude-Opus-5 se sitúa en 59,86 y Gemini-3.6-Flash en 59,41. El mejor modelo de visión general abierto de la tabla, Qwen3.8-Flash-Next con 125.000 millones de parámetros, alcanza 55,05. Un modelo de 4.000 millones de parámetros entrenado con 9.000 muestras llega a 55,81: por encima del generalista de 125B, por encima de Kimi-K3 con 2,8 billones de parámetros y por encima de GLM-5.3-Flash con 320.000 millones.

Si esa cifra hubiera sobrevivido al contacto con un arnés independiente, sería la noticia del mes. No lo hace, todavía, por una razón que el artículo admite abiertamente. ZoomGainBench se construye con el mismo pipeline que produjo los datos de entrenamiento, y la propia tabla de ablación del artículo lo incluye en una columna titulada «Held-in». Las preguntas no son las preguntas de entrenamiento, pero se extraen de la misma distribución mediante la misma maquinaria. Un modelo ajustado con esa distribución tiene una ventaja que un modelo evaluado zero-shot no tiene, y el tamaño de esa ventaja es justo lo que hoy nadie fuera de inclusionAI puede medir.

La evidencia sobre datos retenidos es menos espectacular y más convincente. El artículo reporta un promedio sobre diez benchmarks retenidos: 54,20 para el Qwen3.5-4B sin entrenar y 60,96 para el 4B entrenado con ZoomGain. Una ganancia promedio de 6,76 puntos en benchmarks que el entrenamiento nunca vio es un resultado real. Simplemente no es la misma afirmación que superar a un modelo de 2,8 billones de parámetros.

Cabe señalar también que la ventaja no es uniforme. Al comparar el 4B con su propia base en la tabla principal del artículo:

• Grandes mejoras. Visual Probe 43.30 a 57.28. O3-Bench 54.20 a 63.19. Zoom Bench 48.88 a 59.88. HR-Bench 4K 81.25 a 87.25. BabyVision 14.69 a 21.13.

• Ganancias moderadas. MME-RealWorld-Lite 57,89 a 61,59. MMStar 66,80 a 72,53. HR-Bench 8K 77,63 a 83,88. MMVP 57,33 a 61,33.

• Una regresión.El «Tree» al estilo TreeBench marca 49.38 antes del entrenamiento y 49.14 después. Una caída de 0.24 puntos, muy dentro del ruido, pero está en la tabla y no fuera de ella, lo que es una buena señal sobre la tabla.

Single-column scoreboard card titled ZoomGain-4B: what the repository says, with six rows: Parameters 4.54B, Parent model Qwen3.5-4B, ZoomGainBench 55.81 held-in, ten held-out benchmarks 60.96 versus 54.20, Hosted API none, Announcement none found, plus a footer noting the figures are vendor-reported and unaudited.

¿Qué no está confirmado de verdad?

Cuatro cosas, y son más importantes que la advertencia habitual.

No existe ninguna evaluación independiente. Ni una sola cifra de terceros. El 55,81, la media de 60,96, el 90,25 que el 9B alcanza en HR-Bench 4K —todo ello son mediciones de los autores sobre su propio modelo con su propio entorno de pruebas. Eso es normal en un artículo y no es prueba de que algo vaya mal. Lo que sí significa es que las cifras deben leerse como afirmaciones.

No hay endpoint alojado. Ninguno de los checkpoints indica un proveedor de inferencia. No hay API, ni playground, ni tarifario. Si quieres usar este modelo el próximo mes, tendrás que descargar 8,42 GB y ejecutarlo tú mismo.

El nombre no concuerda con el recuento de parámetros en tres lugares. Al modelo se le llama 4B, la ficha del GGUF dice 4B, la insignia del repositorio dice 5B y el total real de los safetensors es 4,54B. El medio millardo adicional corresponde al codificador de visión y al proyector, que es la explicación habitual; pero una ficha que no logra mantener un solo número coherente desde el primer día no ha sido revisada, y eso es algo justo que sopesar cuando uno decide cuánto del resto conviene creer.

Ninguna declaración de intención. ¿Habrá un 30B? ¿Una versión alojada? ¿Una v2 con un benchmark de datos reservados? Nada en el repositorio lo indica. El registro de actualizaciones del README enumera tres líneas, todas fechadas el 2026.11.11, todas describiendo lo que se publicó en lugar de lo que viene después.

Screenshot of the inclusionAI/ZoomGain GitHub repository, captured 11 November 2026, showing the repository name, description, commit history and file listing at the top level.

Ejecutarlo, hoy, sin un proveedor

La ruta GGUF es la opción práctica y tiene un requisito previo indispensable: necesitas una compilación de llama.cpp con soporte multimodal para Q​wen3.5. La ficha lo deja claro: el modelo de lenguaje y el mmproj proyector son archivos separados y la entrada de imágenes requiere ambos. El ejemplo de la CLI pasa -m para el modelo, --mmproj para el proyector, --image para la imagen y se ejecuta con temperatura 0 y con el pensamiento desactivado, que también es lo que usa por defecto el arnés de evaluación. llama-server funciona igual en el puerto 8080. Con Q4_K_M tienes 2.71 GB de modelo de lenguaje más un proyector, lo que cabe cómodamente en un portátil; con F16 tienes 8.42 GB más el proyector, lo que corresponde a una estación de trabajo o a una única GPU de gama media.

Para cualquier implementación a gran escala, vLLM 0.19.1 con transformers 5.7.0 es la pila compatible, y el script de evaluación del propio repositorio recibe un MODEL_PATH, una lista GPUS y un conmutador LANGUAGE que permite ejecutar solo en inglés, solo en chino o ambos para 2.000 tareas. Eso es suficiente andamiaje para reproducir las cifras reportadas en tu propio hardware, lo que es más de lo que ofrecen la mayoría de las versiones discretas.

Si prefieres no levantar una GPU para averiguar si el enfoque vale algo, la medida provisional honesta es prototipar el bucle de recortar y preguntar contra un modelo de visión alojado al que puedas llamar hoy mismo. Nuestro catálogo incluye Qwen3-VL-8B a $0.18 de entrada y $0.70 de salida por millón de tokens, y la línea Q​wen3.5 desde qwen3.5-35b-a3b a $0.057 y $0.459 en adelante: una sola clave, sin contrato por proveedor y una regla de enrutamiento que conmuta a un segundo modelo si el primero se atasca. ZoomGain-4B como tal no está en nuestro catálogo y no voy a fingir lo contrario; el sentido del desvío por el servicio alojado es establecer si las preguntas de detalle fino son lo que tu producto realmente hace mal, antes de que dediques una semana a un 4B autoalojado que solo las responde mejor que su propio modelo matriz.

¿Qué haría que esto pasara de ser una curiosidad a una decisión?

Tres señales, en orden de cuánto te revelarían. Primera, una ejecución independiente de ZoomGainBench por parte de alguien sin intereses en el pipeline: el benchmark es público, el harness está en el repositorio y la barrera de entrada es una GPU y una tarde, así que es probable que ocurra antes que cualquiera de las otras. Segunda, una extensión con datos reservados: si los autores responden a la objeción obvia evaluando en un benchmark en cuya creación no participaron, el 55.81 deja de ser una cifra sobre su propio conjunto de prueba. Tercera, un despliegue alojado, que te diría que los pesos realmente se pueden servir con una latencia aceptable y no solo descargar.

Hasta que uno de esos se materialice, la descripción correcta de ZoomGain-4B no es «un modelo de visión pequeño supera a los de frontera». Es: un grupo de investigación publicó una receta de entrenamiento que eleva un modelo de visión de 4B en 6,76 puntos en promedio en diez benchmarks en los que no se entrenó y, al mismo tiempo, publicó un benchmark que muestra que el mismo truco produce un número mucho mayor en preguntas construidas de la misma manera. La primera mitad es el hallazgo. La segunda mitad es marketing, y llegó sin nota de prensa, lo que, como mínimo, es un orden refrescante para la llegada de esas dos cosas.