ZoomGain-9B se lanzó sin anuncio: lo que realmente dice el repositorio

El artículo se publicó en arXiv el 10 de noviembre de 2026. El repositorio de GitHub se creó un día antes, el 9 de noviembre, y su primer commit se titula "Release ZoomGain init". Los pesos aparecieron en Hugging Face el 10 de noviembre a las 11:42 UTC, seguidos de un repositorio GGUF el 11 de noviembre a las 03:16. No hay entrada de blog de lanzamiento, ni anuncio del proveedor, ni endpoint alojado, ni etiqueta de licencia en el propio repositorio del checkpoint. Ese es todo el registro público de ZoomGain-9B, un modelo de visión-lenguaje de 9,4 mil millones de parámetros de inclusionAI, la división de modelos abiertos de Ant Group, y la razón por la que este artículo está escrito como una lectura de repositorio en lugar de una historia de lanzamiento.

Lo que hace que merezca la atención no es el sigilo. Es que el repositorio es inusualmente completo para algo que nadie anunció: el artículo, el benchmark de 1.000 preguntas, el conjunto de datos de aprendizaje por refuerzo de 9.000 registros, el evaluador, el lanzador de entrenamiento, dos checkpoints de 4B y 9B, y tres cuantizaciones GGUF llegaron en aproximadamente dos días. Puedes leer el método, volver a ejecutar la evaluación y reproducir el entrenamiento hoy mismo. Lo único que falta es que alguien de la empresa diga que existe.

Lo que realmente llegó, en orden

• 9 de noviembre de 2026 — se crea el repositorio de GitHub de inclusionAI. Incluye la licencia Apache 2.0 y el código de construcción de datos y de entrenamiento, no los pesos.

• 10 de noviembre de 2026 — arXiv:2611.14076v1, «ZoomGain: minería de brechas de percepción de lo global al zoom para la supervisión visual de grano fino», de Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao y Jianwei Yin, con afiliaciones en Ant Group, Zhejiang University, Om AI Research y el Binjiang Institute.

• 10 de noviembre de 2026, 11:42 UTC — inclusionAI/ZoomGain-9B e inclusionAI/ZoomGain-4B se crean en el Hub, cada uno con un único archivo safetensors BF16 de 18,82 GB y 9,08 GB, respectivamente.

• 11 de noviembre de 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF aparece con compilaciones Q4_K_M, Q8_0 y F16, además de archivos de proyector mmproj correspondientes, que es el paso que convierte un checkpoint de investigación en algo que un portátil puede intentar.

Un pequeño detalle que merece la pena señalar, porque es exactamente el tipo de cosa que un lanzamiento coordinado no produce: la propia sección «Updates» de la model card fecha el artículo, el benchmark, el conjunto de datos y los checkpoints, todos, el 2026.11.11, mientras que la marca temporal de creación del repositorio y la fecha de envío a arXiv dicen ambas 10 de noviembre. La tarjeta se escribió a posteriori, de una sola pasada, por alguien poniendo orden.

La idea, en un párrafo, porque genuinamente es una sola idea.

Un modelo de visión a menudo puede responder una pregunta sobre una región de una imagen que falla cuando la misma región aparece dentro del encuadre completo. Los autores llaman a esto la brecha de percepción de global a zoom, y la convierten en supervisión. Etapa uno: varios modelos localizan de forma independiente un objetivo descrito en la escena completa, y su coincidencia identifica una región que recortar. Etapa dos: se comparan los subtítulos del recorte y los subtítulos de la escena completa, y cualquier detalle que el recorte revele pero la vista completa no, se convierte en una pregunta formulada sobre la imagen original. Etapa tres: las respuestas se vuelven a comprobar sobre el recorte, se filtran las preguntas ambiguas y las preguntas que pueden responderse a partir de conocimientos previos del lenguaje, y se generan distractores plausibles para el formato de opción múltiple.

El entrenamiento es GRPO sobre 9.000 registros construidos a partir de 7.713 imágenes de origen —una época, tamaño de lote 64, ocho rollouts por pregunta— usando el código EasyR1 incluido. La evaluación se establece por defecto en temperatura 0 con el modo de pensamiento de Q​wen3.5 desactivado, y las preguntas de OCR y de conteo siguen siendo de respuesta abierta, mientras que las preguntas de atributos pasan a ser de opción múltiple. Nada de eso es inusual en sí mismo; lo inusual es que el pipeline que generó los datos de entrenamiento también generó el benchmark, y el artículo lo dice explícitamente.

Dos números que no son el mismo número

En ZoomGainBench —el benchmark de 1.000 preguntas, 941 imágenes y en inglés y chino construido por este mismo pipeline—, ZoomGain-9B obtiene 55,48. Su modelo base, Qwen3.5-9B, obtiene 32,13. Eso supone un salto de 23,35 puntos en un benchmark del que se extrajeron los propios datos de entrenamiento del modelo, y el artículo etiqueta la columna como «Held-in» precisamente por esa razón.

El número que hay que tener en cuenta para tomar una decisión es el promedio de trece benchmarks que el entrenamiento nunca tocó, que excluye ZoomGainBench: 66,10 para ZoomGain-9B frente a 59,75 para Qwen3.5-9B. Una ganancia promedio de 6,35 puntos a partir de 9.000 muestras es un resultado sólido y creíble. Ambos números son reales. Responden a preguntas distintas, y cualquier página que cite 55,48 sin decir «held-in» te está contando solo la mitad.

Hay una segunda rareza en la misma tabla que parece que nadie ha notado todavía: el hermano menor le gana al 9B en el benchmark de datos vistos. ZoomGain-4B obtiene 55.81 en ZoomGainBench frente al 55.48 del 9B, mientras que pierde el promedio en datos no vistos, 63.96 frente a 66.10. En el benchmark construido a partir de la distribución de entrenamiento, ambos están empatados dentro del margen de ruido; una vez que sales de esa distribución, el tamaño vuelve a imponerse. Si tuvieras que elegir entre ellos basándote en un único número destacado, elegirías al equivocado.

Qué compraron 9.000 muestras, benchmark por benchmark

Todas las siguientes son cifras reportadas por los autores de la Tabla 3 del artículo, obtenidas con el propio arnés de los autores sobre el evaluador publicado, y no reproducidas de forma independiente por nadie:

• HR-Bench 4K — 90,25, frente a 82,13. Esta es la cifra con la que abre el resumen, y es la afirmación más contundente del comunicado.

• V*Bench — 93,19, frente a 86,91. Detección de objetos pequeños en alta resolución.

• VisualProbe — 56,31, frente a 44,66. La mayor ganancia relativa fuera del benchmark de casos incluidos.

• O3-Bench — 68.12, frente a 56.52. Percepción y razonamiento de múltiples pasos.

• MMVP — 70,00, frente a 60,00. La prueba clásica de imágenes emparejadas que difieren en un solo detalle.

• MMStar — 73.87, frente a 71.73. Competencia multimodal general, y la menor mejora del conjunto.

• BabyVision — 17,53, frente a 15,98. Sigue cerca del mínimo, y es un recordatorio útil de que las mejoras se concentran en la familia de detalles finos en lugar de repartirse de forma uniforme.

Leído en conjunto, el patrón es coherente con el método más que con un aumento general de capacidades: las mayores diferencias se dan en los benchmarks que recompensan encontrar algo pequeño dentro de un marco grande, y las menores, en los benchmarks que recompensan un conocimiento amplio del mundo y el razonamiento visual ordinario. Eso es lo que debería parecer una ejecución de RL dirigida sobre 9.000 preguntas de detalles recortados.

Lo que puede saberse, lo que se afirma y lo que simplemente no está confirmado

Se puede conocer desde el repositorio, hoy mismo, sin tener que fiarse de la palabra de nadie: la arquitectura, porque la configuración es pública e identifica un tronco de texto Qwen3.5-9B de 32 capas, tamaño oculto 4.096, intermedio 12.288 y 262.144 posiciones máximas, envuelto en una torre de visión; los datos de entrenamiento, porque el Parquet de 9.000 registros y las imágenes de origen se distribuyen como un conjunto de datos; el método, porque los prompts están en el apéndice del artículo; y la evaluación, porque el evaluador, las anotaciones y las imágenes son todos descargables.

Declarado pero no confirmado: todas las puntuaciones de benchmark anteriores. El artículo las reporta sobre el harness publicado, lo que las hace más verificables que la mayoría de las tablas de proveedores —puedes volver a ejecutarlas—, pero nadie fuera de la lista de autores lo ha hecho todavía, y ningún laboratorio independiente ha publicado un resultado de ZoomGain-9B.

No está nada confirmado, y vale la pena ser franco al respecto:

• La licencia del checkpoint. El código es Apache 2.0 y la tarjeta así lo indica. A continuación, la tarjeta remite los términos del modelo y del conjunto de datos a «las tarjetas de Hugging Face para consultar los términos de cada conjunto de datos y checkpoint», y el repositorio del checkpoint no incluye ninguna etiqueta de licencia en sus metadatos del Hub. Se trata de una laguna que conviene cerrar leyendo los archivos antes de publicar, no de una promesa con la que se pueda contar.

• La longitud de contexto. La ficha no indica ninguna. Las 262.144 posiciones máximas de la configuración se heredan del tronco Qwen3.5-9B, lo cual no equivale a una propiedad probada del checkpoint post-entrenado, y todas las evaluaciones del artículo se realizan con una sola imagen y con el razonamiento desactivado.

• Comportamiento general del asistente. Las pruebas de la versión publicada no cubren el chat, la llamada a herramientas, la generación de textos largos ni el uso multiturno. El modelo se entrenó para responder preguntas sobre fotografías, y esa es la única capacidad con evidencia que la respalde.

• Cualquier host. La asignación de proveedores del Hub para el repositorio está vacía. No hay ninguna API de proveedor ni endpoint de terceros listado, así que «probar» actualmente significa «descargar 18,82 GB».

Lo hago esta semana, si quieres.

La ruta GGUF es la económica: una compilación Q4_K_M de 5.63 GB más un proyector mmproj de 0.52 GB, o 9.53 GB en Q8_0, o 17.92 GB en F16. La entrada de imágenes necesita ambos archivos: el proyector no es opcional, y una compilación de llama.cpp con soporte multimodal para Qwen3.5 es el requisito previo. La ruta de referencia es más pesada pero está mejor documentada: vLLM 0.19.1 con transformers 5.7.0, exactamente las versiones con las que evaluaron los autores, sobre un checkpoint BF16 que requiere una tarjeta de 24 GB como mínimo y un margen cómodo por encima de eso.

Vale la pena presupuestar el protocolo de evaluación además de los pesos. Los autores ejecutan a temperatura 0 con el pensamiento desactivado y puntúan las preguntas de atributos mediante coincidencia exacta en la opción elegida, las de conteo mediante coincidencia exacta en el entero predicho, y OCR mediante ANLS con un umbral mínimo de 0,7. Si evalúas con el pensamiento activado, o con una plantilla de prompt diferente, estás midiendo algo que los autores no reportaron y no deberías esperar que sus números se transfieran.

OrcaRouter no aloja ZoomGain-9B, y este artículo no va a fingir lo contrario. Lo que sí tenemos es una sola clave para más de 200 modelos al precio de lista del proveedor, sin ningún recargo añadido, lo que aquí importa por una razón concreta y práctica: la forma más rápida de averiguar si los errores de tu pipeline son errores de detalle fino es pasar las mismas imágenes por un modelo de visión alojado y comparar los casos de fallo. Qwen3-VL-8B-Instruct en nuestro catálogo cuesta $0.18 por millón de tokens de entrada y $0.70 por millón de salida con un contexto de 131K, acepta imágenes y vídeo, y no igualará a un modelo entrenado con preguntas extraídas de cultivos, pero te dirá en una tarde si merece la pena comprar la GPU.

¿Qué cambiaría esta historia?

Cuatro cosas, en orden ascendente de la importancia que tendrían. Un anuncio de inclusionAI, que convertiría una lectura de repositorio en un lanzamiento y probablemente llegaría con una aclaración sobre la licencia. Una etiqueta de licencia de checkpoint, que resolvería la única cuestión que actualmente bloquea la adopción comercial. Un endpoint alojado, que eliminaría la barrera de 18.82 GB para todos los que no poseen el hardware. Y una evaluación independiente, que es la que realmente marcaría la diferencia: la afirmación de que un modelo de 9B alcanza 90.25 en HR-Bench 4K es el tipo de cifra que o sobrevive a un segundo laboratorio o desaparece discretamente.

Hasta entonces, el resumen honesto es que ZoomGain-9B es una publicación de investigación bien documentada, con un método claro, un arnés reproducible, una separación inusualmente honesta entre datos incluidos y datos retenidos, y ningún tercero que respalde nada de ello. Eso es más de lo que ofrecen la mayoría de los lanzamientos silenciosos, y menos que un producto.