ZwZ2-4B se publicó sin un lanzamiento: qué dice la tarjeta del modelo y qué no dice

El ZwZ2-4B repositorio se creó el 15 de octubre de 2026 a las 06:11 UTC y, a fecha de esta mañana, tiene cero descargas y cero «me gusta». No es raro en un checkpoint que nadie ha anunciado. Lo raro es que además incluya una tarjeta de modelo completa: una sección de método, una descripción de los datos de entrenamiento, un bloque de inicio rápido y un resultado destacado que afirma 25 benchmarks y una mejora de 5,38 puntos sobre Qwen3.5-4B, el modelo del que se obtuvo mediante ajuste fino. inclusionAI ha publicado la documentación sin publicar el anuncio. La tarjeta está ahí; la nota de prensa no; y la diferencia entre esas dos cosas es toda la historia de este checkpoint.

Este texto es deliberadamente restrictivo respecto a lo que afirmará. Todo lo que aparece a continuación marcado como un hecho del repositorio se leyó directamente de los archivos: la configuración, el índice de pesos, la entrada del conjunto de datos y la propia ficha. Todo lo marcado como una afirmación del proveedor es una cifra del propio inclusionAI, reproducida como afirmación y no como resultado. No existe ninguna evaluación independiente de ZwZ2-4B, y quien te diga lo contrario te está repitiendo la ficha.

¿Qué se lanzó realmente y en qué fechas?

La familia ZwZ2 llegó en una ventana de aproximadamente veintitrés horas y media, en orden inverso de tamaño. ZwZ2-4B fue el primero, el 15 de octubre a las 06:11 UTC. ZwZ2-9B siguió el 16 de octubre a las 03:42. ZwZ2-27B cerró el conjunto a las 05:42 de esa misma mañana. El conjunto de datos de entrenamiento, inclusionAI/ZwZ2-RL-VQA, apareció tres días después, el 19 de octubre. Los tres repositorios, el conjunto de datos y la colección de la familia llevan marcas de tiempo de hoy, 27 de octubre — la pasada de mantenimiento más reciente de una familia que aún no tiene ningún anuncio público asociado.

Lo que no ocurrió: ninguna entrada en el blog de inclusionAI y ningún hilo de lanzamiento. Los tres checkpoints sí comparten una colección, Zooming-without-Zooming-v2, con cuatro elementos, pero una colección es un contenedor y no un anuncio. El repositorio de GitHub que aloja el código de la primera generación no se ha actualizado en absoluto: sigue enumerando cuatro modelos, ZwZ-2B, ZwZ-4B, ZwZ-7B y ZwZ-8B, todos construidos sobre backbones Qwen3-VL. La familia v2 no está incluida. Si buscas el código que produjo ZwZ2-4B, encontrarás el código de su predecesor, y el README de allí no mencionará el modelo que tienes en tus manos.

La afirmación, enunciada como una afirmación

La ficha de inclusionAI informa una precisión global de 49,41 para el modelo base y de 54,79 para ZwZ2-4B, medida en 25 benchmarks agrupados en seis dominios. La ficha indica que el modelo mejoró en cada uno de esos benchmarks y que los promedios globales y por dominio ponderan cada benchmark por igual. Los seis dominios que nombra son percepción de grano fino, razonamiento espacial, comprensión de contexto largo, agentes multimodales y razonamiento visual general, además del grupo de grano fino que protagoniza el titular.

Esos dos números constituyen todo el caso cuantitativo del modelo. Las puntuaciones por benchmark aparecen en la página como figuras —un PNG y un SVG— en lugar de texto, lo que significa que los ocho resultados representativos y los veinticinco completos son visibles, pero no legibles por máquina. El único conjunto de benchmarks descrito en prosa es MMLongBench*, cuyos componentes visuales centrales se enumeran como V-RAG, Image MM-NIAH y VH-Multi, en más de 25 tareas no relacionadas con Counting. La ficha también señala que la resolución de imagen para los "modelos avanzados" está limitada por la plataforma de servicio, lo cual es una advertencia justa y también un recordatorio de que una puntuación de percepción es, en parte, una afirmación sobre cómo llegó la imagen al modelo.

Un promedio de +5.38 en 25 benchmarks es una afirmación ambiciosa para un modelo de clase 4B. También es exactamente el tipo de afirmación que un proveedor está en la mejor posición para hacer y en la peor para verificar, porque el proveedor eligió el conjunto de benchmarks, la ponderación y la resolución. Considera 54.79 como el número que hay que reproducir, no como el número con el que hay que planificar.

El método: una pasada, sin zoom, sin SFT

El pipeline de entrenamiento se llama EvidenceConnect, y es la segunda generación de una idea que el laboratorio publicó a principios de este año con el nombre «Zooming without Zooming». La premisa es que la percepción visual de grano fino suele resolverse en el momento de la inferencia —recortar la región, volver a formular la pregunta, repetir— y que esto es costoso y frágil. ZwZ2, en cambio, enseña al modelo a atender a la evidencia regional dentro de una única pasada hacia adelante.

La construcción se desarrolla en cuatro pasos, tal como lo describe la tarjeta. Las regiones relacionadas se agrupan, de tres a siete por imagen, extraídas de SA-1B. Las preguntas se generan a partir de vistas ampliadas privilegiadas de esas regiones, de modo que quien redacta las preguntas puede ver detalles que el modelo de política nunca verá en la inferencia. Esas preguntas se filtran luego dos veces: mediante la concordancia entre modelos y mediante una prueba de eliminación de una región que comprueba si quitar una región cambia realmente la respuesta. Las preguntas verificadas se convierten en tareas de opción múltiple con cuatro opciones, y el modelo se entrena con GRPO. No hay ninguna etapa de ajuste fino supervisado.

En inferencia, la política ve la imagen completa con los contornos de las regiones coloreadas dibujados sobre ella. Los recortes privilegiados solo existen durante la construcción de los datos. Cada tamaño de modelo de la familia utilizó aproximadamente 20.000 ejemplos de entrenamiento; la ficha del conjunto de datos indica la cifra exacta: 20.662 preguntas de opción múltiple, cinco descargas y una fecha de creación del 19 de octubre.

El diseño tiene una consecuencia visible que merece señalarse para cualquiera que planee evaluarlo. Un modelo entrenado únicamente con preguntas de opción múltiple de cuatro opciones se está optimizando para una forma de tarea que no se parece en nada a la generación de descripciones abiertas ni a las preguntas y respuestas visuales de formato libre. Si tu carga de trabajo requiere un párrafo sobre una imagen, este checkpoint no se entrenó para eso, y la sección de limitaciones de la ficha del modelo lo dice explícitamente: detalles alucinados, texto mal leído, errores de conteo y errores espaciales.

Lo que demuestra la configuración, independientemente del laboratorio

Hay un tipo de dato que no necesitas aceptar a ciegas, porque es aritmética sobre archivos publicados. ZwZ2-4B tiene 4.539.265.536 parámetros en BF16, almacenados en un único archivo safetensors de 9,08 GB. La página de Hugging Face lo redondea a «5B», lo cual es generoso; el índice indica 4,54B. Su base, Qwen3.5-4B, tiene 4.659.865.088, así que el derivado es aproximadamente 120,6 millones de parámetros más pequeño que el modelo del que fue entrenado.

Esa diferencia tiene una explicación clara en la configuración. Qwen3.5-4B declara una capa de predicción multi-token; ZwZ2-4B declara cero. Se ha eliminado la cabeza de decodificación especulativa. Si se quita una cabeza MTP de un checkpoint de 4.6B, se llega casi exactamente a la diferencia observada. Es la misma edición que lleva el hermano de 9B, y es la evidencia más sólida de la que se dispone de que se trata de derivados postentrenados y no de modelos entrenados desde cero.

El resto de la pila permanece sin cambios respecto a la base:

• Profundidad — 32 capas tanto en ZwZ2-4B como en Qwen3.5-4B

• Ancho — tamaño oculto 2.560, intermedio 9.216

• Atención — 16 cabezas de consulta frente a 4 cabezas KV, dimensión de cabeza de 256, una programación de 3:1 de lineales a completas (24 capas lineales, 8 completas)

• Vocabulario — 248.320 tokens, embeddings vinculados

• Contexto — 262.144 posiciones, M-RoPE en una división 11/11/10, factor rotatorio parcial de 0,25

• Torre de visión — 24 capas con dimensión oculta de 1.024, tamaño de parche 16, fusión espacial 2×2

• Entorno de ejecución — transformers 5.13.1, identificador de arquitectura Qwen3_5ForConditionalGeneration

La plantilla de chat merece una línea porque cambia cómo se comporta el modelo de forma predeterminada. La plantilla publicada se ejecuta en modo sin razonamiento e indica al modelo que coloque su respuesta final dentro de las etiquetas <answer>. Si la cargas con un arnés VLM genérico que espera texto libre, obtendrás etiquetas en tu salida y te preguntarás por qué.

Lo que la tarjeta no te dice

Tres brechas importan más que cualquier cosa que diga la tarjeta.

La primera es la licencia. El repositorio no tiene archivo LICENSE ni etiqueta de licencia. La propia redacción de la tarjeta remite a «la licencia que acompaña a los pesos publicados y la licencia aplicable del modelo base», pero no hay ningún archivo de licencia adjunto al que remitirse. El modelo base, Qwen3.5-4B, es Apache-2.0, por lo que la interpretación más probable es que el derivado la hereda. Que sea probable no es lo mismo que esté declarado, y una revisión legal no aceptará una frase de la tarjeta que remita a un archivo que no existe.

El segundo es el artículo. El método v2 —EvidenceConnect, el filtro de eliminación de una región, el entrenamiento solo con GRPO— no tiene documentación pública. El enlace al artículo de la ficha sigue siendo el marcador de posición literal PAPER_URL. El único identificador de arXiv asociado al repositorio, 2602.11858, es el artículo de primera generación, que describe la destilación de región a imagen sobre backbones Qwen3-VL: un método distinto, una familia base distinta y un conjunto de cifras distinto. La ficha del conjunto de datos hereda el mismo identificador, por lo que la etiqueta propaga la discrepancia.

La tercera es la ausencia de cualquier medición independiente. Ningún ranking ha puntuado a ZwZ2-4B, no existe ninguna replicación y el contador de descargas no se ha movido del cero. Un modelo puede ser excelente y no estar medido al mismo tiempo; el punto es solo que nada fuera del laboratorio ha confirmado aún el 54.79.

La trampa de nombres en la que vas a caer

Si buscas este modelo, primero encontrarás otro diferente. El ZwZ-4B de primera generación es un checkpoint real y documentado construido sobre Qwen3-VL-4B, y publica una media de 66.86 frente a los 61.52 de su backbone, con una puntuación de 55.74 en ZoomBench. Esos números se citan ampliamente y no son los de ZwZ2-4B. Pertenecen a un modelo base diferente, una receta de entrenamiento diferente y una suite de benchmarks diferente.

Los dos nombres difieren en un solo carácter. Una tabla comparativa que los mezcle parecerá coherente internamente y será errónea. Si una página de proveedor o un agregador muestra ZwZ2-4B a 66.86, ese es el error que está viendo.

Si necesitas un modelo de visión pequeño esta semana

ZwZ2-4B no está en el catálogo de OrcaRouter, y este artículo no va a fingir lo contrario. Es un checkpoint que descargas y sirves tú mismo; no hay ningún endpoint alojado para él en ningún sitio que la página de Hugging Face reconozca, y la página informa explícitamente de que ningún proveedor de inferencia lo sirve.

Lo que sí tiene el catálogo es la alternativa práctica para la misma tarea: qwen/qwen3-vl-8b-instruct a $0.18 por millón de tokens de entrada y $0.70 por millón de salida, con un contexto de 131K, servido a través del mismo endpoint compatible con OpenAI que todo lo demás. Si tu plan era evaluar ZwZ2-4B frente a una línea base de visión alojada, esa es la línea base, y ejecutar ambas desde una sola clave significa una sola librería cliente y una sola factura en lugar de dos integraciones. OrcaRouter enruta más de 200 modelos con conmutación por error automática, de modo que una ruta de visión construida sobre ese endpoint no depende de que un único proveedor upstream se mantenga operativo.

Para un modelo con cero descargas y sin archivo de licencia, esa es la recomendación honesta: alquila la comparación, haz tuyo el experimento.

¿Qué cambiaría esta evaluación?

Tres acontecimientos, en orden decreciente de importancia. Un archivo de licencia, que convertiría una incógnita legal en una respuesta legal. Un documento público de la v2, que permitiría comprobar si el filtrado de EvidenceConnect tiene fugas —la prueba de eliminar una región es una buena idea, y las buenas ideas son exactamente lo que necesita auditoría—. Y cualquier puntuación de terceros, porque un único benchmark reproducible en un arnés neutral haría más por este checkpoint que otras mil palabras de ficha.

Hasta que uno de esos se materialice, ZwZ2-4B es un especialista en percepción de 4,54B bien documentado, no anunciado y no medido, cuya propia ficha afirma que supera a su modelo base en 5,38 puntos. Es una afirmación genuina y específica. Todavía no es un resultado, y esa distinción es lo único que merece la pena llevarse de este repositorio.