ZoomGain-9B vs MathForm 8B: Dos checkpoints de 9B que no pueden hacer el trabajo del otro

Una pregunta capciosa subyace a ZoomGain-9B y MathForm-8B: ambos son ajustes finos de aproximadamente nueve mil millones de parámetros publicados dentro de la misma ventana de ochenta días, ambos son lanzamientos de investigación cercanos a Apache-2.0 de laboratorios chinos con un artículo adjunto, ambos fueron postentrenados mediante aprendizaje por refuerzo con unos pocos miles de ejemplos, y ambos llevan una puntuación de benchmark que parece imposible para su tamaño. La tentación es ordenarlos. El problema es que uno de ellos nunca ha visto una imagen y el otro nunca ha visto una prueba de Lean, así que la clasificación no tiene eje.

ZoomGain-9B es el checkpoint de visión-lenguaje de inclusionAI del 10 de noviembre de 2026, entrenado mediante GRPO con 9.000 preguntas extraídas de detalles de imágenes recortadas, y su resultado más alto reportado es 90,25 en HR-Bench 4K. MathForm-8B es el autoformalizador de OpenBMB del 14 de agosto de 2026, entrenado mediante ajuste fino supervisado seguido de aprendizaje por refuerzo con aproximadamente 367.000 ejemplos de Lean 4, y su resultado más alto reportado es un promedio de pass@8 en comprobación de sintaxis del 88,06% en seis benchmarks de autoformalización. Ninguna de las dos cifras dice nada sobre el otro modelo. Lo que los conecta es algo más útil que una clasificación: ambos lanzamientos hacen afirmaciones inusualmente similares sobre cómo un ajuste fino pequeño puede superar a un generalista mucho más grande, y las maneras en que justifican esas afirmaciones difieren lo suficiente como para decirte en cuál confiar para qué.

Las columnas en blanco, denominadas

ZoomGainBench no contiene ningún modelo solo de texto. Es un conjunto de preguntas sobre fotografías —reconocimiento de atributos, conteo y OCR—, por lo que un modelo sin codificador de visión no puede inscribirse, y MathForm-8B no se inscribió. A la inversa, los seis benchmarks de evaluación de MathForm son FormalMATH, ProverBench, CombiBench y tres divisiones de FATE, todas tareas de traducción de matemáticas en lenguaje natural a Lean-4. ZoomGain-9B nunca se ha ejecutado en ninguno de ellos y no hay razón para creer que le iría bien, ya que nada de su entrenamiento involucró lenguajes formales.

No es un tecnicismo sobre benchmarks. Es la forma completa de la decisión. Si tu tarea produce una imagen y consume una respuesta factual breve, MathForm-8B es un modelo de texto que no puede intentarlo. Si tu tarea consume un enunciado matemático y produce una prueba Lean 4 verificable por máquina, ZoomGain-9B es un modelo de visión al que nunca se le ha pedido. No hay solapamiento que medir, lo que significa que la comparación honesta es de construcción, evidencia y coste operativo — y resulta que difieren muchísimo.

Dos recetas de RL, ambas pequeñas, y en qué se diferencian entre sí

El conjunto de entrenamiento de ZoomGain consta de 9.000 registros sobre 7.713 imágenes de origen. Una época, tamaño de lote de 64, ocho rollouts por pregunta, GRPO con una recompensa que comprueba si la opción seleccionada coincide con la respuesta de referencia. Los datos se generaron, no se anotaron: varios modelos localizan una región, se generan descripciones para los recortes y se comparan con descripciones de la escena completa, y los detalles que revela el recorte se convierten en preguntas sobre la imagen completa. La intervención humana se limitó al cribado — el artículo es explícito en que no hubo edición manual de preguntas y respuestas.

El conjunto de entrenamiento de MathForm es FormalVerse, aproximadamente 367.000 ejemplos verificados de Lean 4. Primero, ajuste fino supervisado; después, aprendizaje por refuerzo con retroalimentación de la compilación de Lean y una verificación de consistencia semántica. La construcción de datos utilizó recuperación de Mathlib antes de la generación y refinamiento iterativo después de esta, con los diagnósticos del compilador orientando las revisiones.

• Modelo base — ZoomGain-9B se entrena posteriormente a partir de Qwen3.5-9B (32 capas, oculto 4.096, intermedio 12.288, 262.144 posiciones, un esquema de atención lineal-completa 3:1). MathForm-8B se entrena posteriormente a partir de Qwen3-8B (36 capas, todas con atención completa, oculto 4.096, intermedio 12.288, 40.960 posiciones, 32 cabezas de consulta frente a 8 cabezas KV con dimensión de cabeza 128, theta de RoPE 1e6).

• Dimensiones compartidas — ambos heredan un ancho oculto de 4.096 y un ancho intermedio de 12.288 de sus progenitores Q​wen, lo que constituye la coincidencia más llamativa entre ambos y es una propiedad de la familia, no del ajuste fino.

• Vocabulario — 248.320 tokens para ZoomGain-9B frente a 151.936 para MathForm-8B. El de MathForm es un vocabulario de la generación Qwen3 y eso importa: el código Lean 4, los símbolos matemáticos Unicode y los tokens de demostración se tokenizan de forma distinta en cada uno.

• Contexto — la tarjeta de ZoomGain-9B no indica {{1}}nada{{/1}} y su configuración declara {{2}}262,144{{/2}}; la configuración de MathForm-8B declara {{3}}40,960{{/3}}, y su comando de servicio recomendado está limitado a {{4}}16,384{{/4}} con un {{5}}max_new_tokens de 16,384 tokens{{/5}}. Para la autoformalización, la longitud de salida es la restricción vinculante, no la de entrada.

• Modalidad — imagen y texto como entrada, texto como salida para uno; texto como entrada, texto como salida para el otro.

• Licencia — ZoomGain-9B: código Apache 2.0, términos del checkpoint diferidos y sin etiqueta de licencia en los metadatos de Hub. MathForm-8B: Apache 2.0 con un archivo LICENSE en el repositorio.

• Distribución — ZoomGain-9B tiene BF16 además de GGUF en F16, Q8_0 y Q4_K_M. MathForm-8B tiene safetensors BF16 en cuatro fragmentos que suman aproximadamente 16.4 GB además de compilaciones GGUF y MLX de la comunidad, pero no tiene ninguna cuantización propia proporcionada por el proveedor.

Los números de MathForm-8B, y por qué son más fáciles de comprobar de lo que parecen

OpenBMB informa un pass@8 promedio de verificación de sintaxis del 88.06% y un pass@8 de verificación de consistencia del 72.37% en sus seis benchmarks. En la misma tabla, ReForm-8B alcanza 81.76 y 66.21, Goedel-Formalizer-V2-32B alcanza 78.28 y 63.74, y StepFun-Formalizer-32B alcanza 63.65 y 44.47. Las tres divisiones FATE son donde los modelos especializados colapsan y MathForm no: FATE-X se sitúa en 54.00 de sintaxis y 37.00 de consistencia frente a 45.00 y 21.00 de ReForm-8B.

Dos cosas hacen que esas cifras sean más creíbles que una tabla típica de proveedor. Primero, las tareas son mecánicas de una manera en que las tareas de percepción no lo son: un enunciado de Lean 4 o compila o no, y la verificación de consistencia compara el significado con la proposición de origen. Un benchmark que es en parte verificable por máquina es más difícil de puntuar de forma optimista. Segundo, el artículo afirma que el modelo entrenado solo con SFT es peor: MathForm-8B-SFT obtiene 84,38 en sintaxis y 66,53 en consistencia, así que la etapa de RL está haciendo un trabajo medible en lugar de decorar un modelo ya terminado.

También hay una comparación que vale la pena citar porque va en contra del propio encuadre del modelo. En los mismos seis benchmarks, Qwen3.7-Plus —un endpoint comercial de propósito general— obtiene 86,33 en sintaxis y 83,38 en consistencia. MathForm-8B lo supera en sintaxis por 1,7 puntos y pierde en consistencia por 11 puntos. El ajuste fino especializado gana la tarea de coincidencia exacta y pierde la que requiere que la formalización signifique lo mismo que la fuente. Si tu pipeline necesita un enunciado que compile, un pequeño especialista es una ganga. Si necesita uno que sea fiel, un modelo general con recuperación aún puede ir por delante.

Las cifras de ZoomGain-9B, con la misma contabilidad

Los autores informan 90.25 en HR-Bench 4K frente a 82.13 del modelo base, 93.19 en V*Bench frente a 86.91, 56.31 en VisualProbe frente a 44.66, 70.00 en MMVP frente a 60.00 y 68.12 en O3-Bench frente a 56.52. El promedio held-out en trece benchmarks es 66.10 frente a 59.75. En ZoomGainBench —el benchmark construido con el mismo pipeline que los datos de entrenamiento— el modelo obtiene 55.48, y el artículo etiqueta esa columna como "Held-in" en lugar de ocultar la distinción.

La diferencia estructural con la evidencia de MathForm es que el benchmark de ZoomGain no es verificable por máquina de la misma manera. Las respuestas de opción múltiple son de coincidencia exacta, el conteo es de coincidencia exacta sobre un entero y el OCR se puntúa con ANLS, pero las preguntas mismas son generadas, y la propia comprobación de los autores es que las respuestas se pueden verificar en la vista recortada. Una pregunta generada con una respuesta verificada sigue siendo una pregunta generada.

Ambos lanzamientos se produjeron en parte con modelos como anotadores. El apéndice de ZoomGain nombra los roles: Qwen3.5-397B-A17B para la generación de descripciones de escenas, el anclaje y la verificación final de MCQ; Qwen3-VL-235B-A22B-Instruct y Kimi-K2.6 para la verificación basada en recortes y la respuesta a ciegas; DeepSeek-V4-Pro para el agrupamiento de distractores. FormalVerse, de MathForm, se construyó con un flujo de procesamiento que recupera información de Mathlib y luego deja que el compilador rechace las generaciones defectuosas. Un flujo se apoya en un verificador al que no se puede persuadir para que esté de acuerdo; el otro se apoya en modelos que revisan el trabajo de otros modelos, con solo cribado humano.

Atendiéndolos, en los términos por los que preguntará tu equipo de operaciones.

ZoomGain-9B ocupa 18,82 GB en BF16 y funciona con vLLM 0.19.1 y transformers 5.7.0 —las versiones exactas de los autores—, o con una compilación de llama.cpp con soporte multimodal de Q​wen3.5 usando los archivos GGUF más un proyector. Su tronco, dominado por atención lineal, mantiene la caché KV modesta en longitudes de secuencia largas, que es la propiedad que importa cuando una sola solicitud contiene una imagen de alta resolución en lugar de un documento largo.

MathForm-8B ocupa unos 16,4 GB en BF16, y se sirve con vLLM con una longitud máxima de modelo de 16.384 o con SGLang con el mismo contexto, a temperatura 0,6 y top-p 0,95 con un presupuesto de salida de 16.384 tokens. Su evaluación requiere un Kimina Lean Server en ejecución y Lean 4.21.0, que es la parte que la gente subestima: no solo estás desplegando un modelo, estás desplegando una cadena de herramientas de Lean junto a él. La retroalimentación de compilación es la señal de recompensa durante el entrenamiento y la prueba de aceptación durante la evaluación, así que un pipeline sin Lean no puede medir si este modelo está funcionando.

Ninguno de los dos está hoy en el catálogo de OrcaRouter, y este artículo no afirma lo contrario. Lo que sí podemos hacer es enrutar el trabajo que los rodea. Un pipeline de documentos que lee una página escaneada y luego comprueba las matemáticas que contiene tiene dos mitades: la llamada de visión y la llamada de razonamiento. Una sola clave para más de 200 modelos al precio de lista del proveedor sin recargo añadido, una regla de enrutamiento que envía cada mitad a un endpoint que supera tu umbral, y conmutación automática por error si cualquiera de las dos se atasca — esa es la capa que subyace a ambas mitades, y es la razón por la que un pipeline de dos modelos no tiene que significar dos proveedores y dos contratos.

¿Cuál descargar?

Elige MathForm-8B si tu problema es formal y tu cadena de herramientas ya es Lean. La evidencia es más sólida, la licencia es inequívoca, la salida es verificable por máquina, y el déficit de consistencia de 11 puntos frente a un modelo general es una limitación real que deberías conocer antes de comprometerte. Elígelo especialmente para los splits de FATE, donde las líneas base especializadas caen al 21 % de consistencia y este mantiene el 37 %.

Elige ZoomGain-9B si tu problema es un detalle dentro de una imagen y tu respuesta es corta. Sus mejoras en datos retenidos son creíbles para 9.000 muestras, su benchmark se puede descargar para que compruebes la afirmación por tu cuenta, y su licencia es lo único que debes leer antes de distribuirlo. No lo elijas esperando un asistente de visión general; nada en la versión publicada lo pone a prueba.

Y si esperabas un veredicto sobre cuál es el mejor modelo de nueve mil millones de parámetros, las notas de la versión lo responden mejor que cualquier clasificación: se construyeron para comprobarse contra distintos tipos de verdad de referencia, y solo una de esas verdades de referencia compila.