Carton de titre pour l’article ZoomGain-4B : le titre ZoomGain-4B, un sous-titre indiquant qu’inclusionAI a publié les poids le 11 novembre 2026 et n’a rien annoncé, et trois pastilles indiquant 4,54 Md de paramètres, Vision-langage et Aucune API hébergée.
Engineering & Research

ZoomGain-4B est sorti le 11 novembre sans aucune annonce.

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Le premier commit de inclusionAI/ZoomGain porte l’horodatage du 2026-11-09 à 02:13 UTC et son message est « Release ZoomGain init. ». Les poids de ZoomGain-4B sont apparus sur Hugging Face le 2026-11-10 à 11:38 UTC. La notice arXiv, le jeu d’évaluation et le corpus d’apprentissage par renforcement qui a servi à le produire sont tous datés du 2026-11-11, le jour même où la fiche modèle a été modifiée pour la dernière fois. Ce qui n’est apparu nulle part, malgré mes recherches, c’est un post de lancement. Il n’y a aucune actualité sur le site d’inclusionAI, aucune annonce sur le profil Hugging Face de l’organisation au-delà du dépôt lui-même, aucun point de terminaison hébergé et aucune couverture de la part de qui que ce soit. ZoomGain-4B est un modèle vision-langage construit par apprentissage par renforcement au-dessus de Qwen3.5-4B, et ce matin, les seules personnes qui savent qu’il existe sont celles qui ont eu l’occasion de regarder une liste de dépôts. Il s’agit d’un article de type « ce que dit le dépôt » : chaque chiffre ci-dessous est soit un horodatage que vous pouvez vérifier vous-même, soit un nombre que les auteurs ont inscrit sur leur propre fiche, et les endroits où cela ne suffit pas sont signalés comme tels.

Pour un lecteur qui veut en saisir la teneur avant d’entrer dans les détails : le modèle est un checkpoint multimodal de 4,54 milliards de paramètres qui répond à des questions à choix multiples portant sur des détails visuels fins — du texte en petits caractères dans une photographie, un décompte d’objets dans une scène encombrée, un attribut qui n’est lisible qu’en recadrant. Les auteurs affirment qu’un modèle de vision qui regarde une image entière manque des détails qu’il peut parfaitement lire une fois la même région zoomée, et que cet écart peut être transformé en signal d’entraînement. Ils ont ensuite construit un benchmark de 1 000 questions à partir du même mécanisme, et sur ce benchmark le modèle 4B entraîné obtient 55,81 contre 30,03 pour le modèle à partir duquel il a été entraîné. Ces deux chiffres résument tout l’argument, et ils s’accompagnent d’une réserve que l’article formule lui-même : le benchmark est construit par le même pipeline que les données d’entraînement, ce que l’article appelle « held-in ».

Ce qui a été livré, et ce que disent les horodatages

La sortie est d’une complétude inhabituelle pour quelque chose que personne n’a annoncé. Six artefacts, tous dans un intervalle de 48 heures :

• L'article. « ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision », arXiv 2611.14076, soumis le 10 novembre 2026, par Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao et Jianwei Yin. Sept auteurs, cs.CV et cs.AI.

• Le checkpoint 4B. inclusionAI/ZoomGain-4B, safetensors en BF16. Les métadonnées du fichier comptent 4 539 265 536 paramètres. Apache 2.0 sur le code ; la fiche renvoie les conditions du checkpoint et du jeu de données à leurs propres dépôts.

• Le checkpoint 9B. inclusionAI/ZoomGain-9B, 9 409 813 744 paramètres, créé quatre minutes après son petit frère.

• Builds quantifiés. ZoomGain-4B-GGUF sont arrivés le 2026-11-11 à 03:09 UTC avec trois précisions et des projecteurs de vision correspondants : Q4_K_M à 2,71 Go, Q8_0 à 4,48 Go, F16 à 8,42 Go, chacun avec un mmproj fichier pour l'encodeur d'images. Le GGUF 9B a suivi.

• Le benchmark. inclusionAI/ZoomGainBench, 1 000 questions sur 941 images, du texte en anglais et en chinois pour chaque élément, ainsi qu’une réponse de référence, une règle de notation et une boîte englobante de preuve en coordonnées de pixels.

• Les données d'entraînement. inclusionAI/ZoomGain-RL-Data, 9 000 enregistrements et 7 713 images sources au format Parquet, avec les métadonnées de récompense attendues par le script d'entraînement.

Le silence n’a rien de mystérieux et rien de sinistre. C’est à cela que ressemble la diffusion interne d’un groupe de recherche lorsque l’article est mis en ligne sur arXiv avant que quiconque ait rédigé le billet de blog. Les indices sont tous là : trois commits effectués le matin du 11 novembre portent tous le titre « update readme » à quatorze minutes d’intervalle, le dépôt GitHub compte trois étoiles et aucun champ de description n’est renseigné, les deux dépôts de checkpoints affichent zéro téléchargement et zéro like, et la page du modèle 4B comporte un avertissement concernant des métadonnées YAML vides ou manquantes. Rien de tout cela ne constitue une preuve concernant le modèle. C’est une preuve concernant le déploiement.

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.

La méthode, en trois étapes

La partie intéressante de ZoomGain n’est pas le modèle, mais la façon dont les questions ont été créées. Le pipeline se déroule en trois étapes et seule la première est conventionnelle.

• Ancrez la cible.Plusieurs modèles localisent indépendamment une région décrite dans la scène complète. Lorsqu’ils sont d’accord, cet accord est considéré comme le recadrage à conserver. Utiliser le désaccord comme filtre signifie que l’angle mort d’un seul modèle ne définit pas l’ensemble des cibles.

• Extraire des preuves. Les légendes d’une même région sont comparées à deux niveaux de zoom. Tout ce que le recadrage révèle et que l’image complète ne révèle pas est transformé en une question sur l’image complète. C’est le mécanisme qui produit l’écart « global-to-zoom » auquel le titre fait référence : il est possible de répondre à la question, mais seulement si le modèle résout quelque chose à la limite de sa perception.

• Vérifier et générer des distracteurs. Les réponses sont recoupées avec le recadrage, les questions ambiguës sont écartées, les questions auxquelles on peut répondre sans l’image du tout sont écartées, et des distracteurs à choix multiples sont générés. L’étude d’ablation indique que cette dernière étape joue un rôle réel — supprimer les distracteurs dédiés coûte 8,96 points sur le benchmark held-in, la plus forte baisse unique rapportée dans l’article.

L’entraînement lui-même n’a rien d’exotique. GRPO via le framework EasyR1 fourni, une époque, une taille de lot de 64, huit rollouts par question, ce qui donne 140 étapes sur 9 000 enregistrements. Le dépôt inclut un smoke test qui exécute une seule étape, avec rollout, récompense et sauvegarde du checkpoint, ainsi que des lanceurs complets pour les deux tailles. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 et transformers 5.7.0 — tous épinglés, ce qui fait la différence entre un dépôt qui reproduit et un qui se contente de décrire.

Le chiffre qui compte, et la réserve qui le réduit

ZoomGainBench est délibérément difficile. Le modèle le plus performant sur ce benchmark est GPT-5.6-Sol, avec un score global de 61,08, soit 61,08 sur 100 à des questions à choix multiples portant sur des photographies. Claude-Opus-5 se situe à 59,86, Gemini-3.6-Flash à 59,41. Le meilleur modèle de vision généraliste ouvert du tableau, Qwen3.8-Flash-Next avec 125 milliards de paramètres, atteint 55,05. Un modèle à 4 milliards de paramètres entraîné sur 9 000 échantillons atteint 55,81 — au-dessus du généraliste de 125 milliards, au-dessus de Kimi-K3 avec 2 800 milliards de paramètres, au-dessus de GLM-5.3-Flash avec 320 milliards.

Si ce chiffre survivait au contact d’un banc d’essai indépendant, ce serait le sujet du mois. Ce n’est pas encore le cas, pour une raison que l’article assume clairement. ZoomGainBench est construit par le même pipeline que celui qui a produit les données d’entraînement, et le propre tableau d’ablation de l’article le classe dans une colonne intitulée « Held-in ». Les questions ne sont pas celles de l’entraînement, mais elles sont tirées de la même distribution par la même machinerie. Un modèle affiné sur cette distribution dispose d’un avantage qu’un modèle évalué en zero-shot n’a pas, et la taille de cet avantage est exactement ce que personne en dehors d’inclusionAI ne peut mesurer aujourd’hui.

Les preuves issues des données tenues à l’écart sont moins spectaculaires et plus convaincantes. L’article rapporte une moyenne sur dix benchmarks tenus à l’écart : 54,20 pour le Qwen3.5-4B non entraîné, 60,96 pour le 4B entraîné avec ZoomGain. Un gain moyen de 6,76 points sur des benchmarks que l’entraînement n’a jamais vus est un vrai résultat. Ce n’est simplement pas la même affirmation que de battre un modèle de 2,8 billions de paramètres.

Il convient également de noter que le gain n’est pas uniforme. En comparant le 4B à sa propre base dans le tableau principal de l’article :

• Gains importants. Visual Probe 43,30 à 57,28. O3-Bench 54,20 à 63,19. Zoom Bench 48,88 à 59,88. HR-Bench 4K 81,25 à 87,25. BabyVision 14,69 à 21,13.

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

• Une régression.Le « Tree » de style TreeBench affiche 49,38 avant l’entraînement et 49,14 après. Une baisse de 0,24 point, bien dans le bruit, mais elle figure dans le tableau plutôt qu’en dehors, ce qui est bon signe pour le tableau.

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.

Qu’est-ce qui n’est vraiment pas confirmé ?

Quatre choses, et elles comptent plus que l’avertissement habituel.

Il n'existe aucune évaluation indépendante. Pas un seul chiffre émanant d'un tiers. Le 55,81, la moyenne de 60,96, le 90,25 que le 9B atteint sur HR-Bench 4K — tout cela provient des auteurs mesurant leur propre modèle sur leur propre banc d'essai. C'est normal pour un article et cela ne prouve en rien qu'il y ait un problème. Cela signifie simplement que ces chiffres doivent être lus comme des affirmations.

Aucun point de terminaison hébergé. Aucun des deux checkpoints n'indique de fournisseur d'inférence. Il n'y a ni API, ni playground, ni grille tarifaire. Si vous voulez utiliser ce modèle le mois prochain, vous devrez télécharger 8.42 GB et l'exécuter vous-même.

Le nom ne concorde pas avec le nombre de paramètres à trois endroits. Le modèle est appelé 4B, la fiche GGUF indique 4B, le badge du dépôt indique 5B, et le total réel des safetensors est de 4,54B. Le demi-milliard supplémentaire correspond à l’encodeur visuel et au projecteur, ce qui est l’explication habituelle — mais une fiche qui n’arrive pas à garder un seul chiffre cohérent dès le premier jour n’a pas été relue, et c’est un élément qu’il est légitime de prendre en compte lorsqu’on décide dans quelle mesure faire confiance au reste.

Aucune déclaration d'intention. Y aura-t-il un 30B ? Une version hébergée ? Une v2 avec un benchmark indépendant ? Rien dans le dépôt ne le dit. Le journal des mises à jour du README ne comporte que trois lignes, toutes datées du 2026.11.11, et toutes décrivant ce qui a été publié plutôt que ce qui vient ensuite.

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.

Le faire tourner aujourd’hui, sans prestataire

Le chemin GGUF est le plus pratique et il a un prérequis incontournable : vous avez besoin d'une compilation de llama.cpp prenant en charge le multimodal de Q​wen3.5. La fiche indique explicitement que le modèle de langage et le projecteur mmproj sont des fichiers distincts et que l'entrée d'images nécessite les deux. L'exemple CLI passe -m pour le modèle, --mmproj pour le projecteur, --image pour l'image et s'exécute à une température de 0 avec la réflexion désactivée, ce qui correspond aussi aux valeurs par défaut du harnais d'évaluation. llama-server fonctionne de la même manière sur le port 8080. En Q4_K_M, vous disposez de 2,71 Go de modèle de langage plus un projecteur, ce qui tient facilement sur un ordinateur portable ; en F16, vous êtes à 8,42 Go plus le projecteur, ce qui nécessite une station de travail ou un seul GPU de milieu de gamme.

Pour toute utilisation à grande échelle, vLLM 0.19.1 avec transformers 5.7.0 constitue la pile prise en charge, et le script d’évaluation du dépôt prend un MODEL_PATH, une liste GPUS et un commutateur LANGUAGE qui exécute uniquement l’anglais, uniquement le chinois, ou les deux pour 2 000 tâches. Cela fournit suffisamment de base pour reproduire les chiffres rapportés sur votre propre matériel, ce qui est plus que ce que la plupart des versions discrètes offrent.

Si vous préférez ne pas monter une GPU pour savoir si l'approche vaut quoi que ce soit, la démarche intermédiaire honnête consiste à prototyper la boucle recadrage-puis-question sur un modèle de vision hébergé que vous pouvez appeler dès aujourd'hui. Notre catalogue propose Qwen3-VL-8B à 0,18 $ en entrée et 0,70 $ en sortie par million de tokens, ainsi que la gamme Qwen3.5 à partir de qwen3.5-35b-a3b à 0,057 $ et 0,459 $ et au-delà — une seule clé, aucun contrat par fournisseur, et une règle de routage qui bascule vers un second modèle si le premier se bloque. ZoomGain-4B lui-même ne figure pas dans notre catalogue et je ne prétendrai pas le contraire ; l'intérêt du détour par l'hébergé est d'établir si les questions de détail fin sont bien ce sur quoi votre produit se trompe réellement, avant de passer une semaine sur un 4B auto-hébergé qui ne fait que mieux y répondre que son propre modèle parent.

Qu’est-ce qui ferait passer cela du statut de curiosité à celui de décision ?

Trois signaux, par ordre de ce qu’ils vous apprendraient. Premièrement, une exécution indépendante de ZoomGainBench par quelqu’un qui n’a aucun intérêt en jeu dans le pipeline — le benchmark est public, le harnais est dans le dépôt, et la barrière à l’entrée se résume à un GPU et à un après-midi, donc il est probable que cela se produise avant tous les autres. Deuxièmement, une extension sur des données tenues à l’écart : si les auteurs répondent à l’objection évidente en évaluant sur un benchmark à la construction duquel ils n’ont pas participé, le 55,81 cesse d’être un chiffre concernant leur propre jeu de test. Troisièmement, un déploiement hébergé, qui vous indiquerait que les poids peuvent réellement être servis avec une latence acceptable, plutôt que simplement être téléchargeables.

Jusqu’à ce que l’une de ces choses se matérialise, la description correcte de ZoomGain-4B n’est pas « un petit modèle de vision bat les modèles de pointe ». C’est : un groupe de recherche a publié une recette d’entraînement qui fait gagner 6,76 points en moyenne à un modèle de vision 4B sur dix benchmarks sur lesquels il n’a pas été entraîné, et a simultanément publié un benchmark qui montre la même astuce produire un chiffre bien plus élevé sur des questions construites de la même manière. La première moitié est la découverte. La seconde moitié est le marketing, et elle est arrivée sans communiqué de presse, ce qui est au moins un ordre rafraîchissant pour l’arrivée de ces deux choses.