ZoomGain-9B publié sans annonce : ce que le dépôt dit réellement

L'article a été mis en ligne sur arXiv le 10 novembre 2026. Le dépôt GitHub a été créé un jour plus tôt, le 9 novembre, et son premier commit s'intitule « Release ZoomGain init ». Les poids sont apparus sur Hugging Face le 10 novembre à 11 h 42 UTC, suivis d'un dépôt GGUF le 11 novembre à 03 h 16. Il n'y a ni article de blog de lancement, ni annonce du fournisseur, ni point de terminaison hébergé, ni étiquette de licence sur le dépôt du checkpoint lui-même. Voilà l'intégralité des informations publiques concernant ZoomGain-9B, un modèle vision-langage de 9,4 milliards de paramètres issu d'inclusionAI, la branche modèles ouverts d'Ant Group, et la raison pour laquelle cet article se présente comme une lecture de dépôt plutôt qu'un récit de lancement.

Ce qui le rend digne d’attention, ce n’est pas la discrétion. C’est que le dépôt est inhabituellement complet pour quelque chose que personne n’a annoncé : l’article, le benchmark de 1 000 questions, le jeu de données d’apprentissage par renforcement de 9 000 enregistrements, l’évaluateur, le lanceur d’entraînement, deux checkpoints à 4B et 9B, et trois quantifications GGUF sont tous arrivés en l’espace d’environ deux jours. On peut lire la méthode, relancer l’évaluation et reproduire l’entraînement dès aujourd’hui. La seule chose qui manque, c’est quelqu’un de l’entreprise pour dire que cela existe.

Qu’est-ce qui a effectivement été livré, dans l’ordre

• 9 novembre 2026 — le dépôt GitHub inclusionAI est créé. Il contient la licence Apache 2.0 ainsi que le code de construction des données et d’entraînement, mais pas les poids.

• 10 novembre 2026 — arXiv:2611.14076v1, « ZoomGain : exploiter les écarts de perception du global au zoom pour une supervision visuelle à grain fin », par Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao et Jianwei Yin, avec des affiliations à Ant Group, Zhejiang University, Om AI Research et au Binjiang Institute.

• 10 novembre 2026, 11 h 42 UTC — inclusionAI/ZoomGain-9B et inclusionAI/ZoomGain-4B sont créés sur le Hub, chacun avec un seul fichier safetensors BF16 de 18,82 GB et 9,08 GB respectivement.

• 11 novembre 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF apparaît avec des versions Q4_K_M, Q8_0 et F16 ainsi que des fichiers projecteur mmproj correspondants, ce qui constitue l’étape qui transforme un checkpoint de recherche en quelque chose qu’un ordinateur portable peut tenter.

Un petit détail qu’il vaut la peine de signaler, car c’est exactement le genre de chose qu’un lancement coordonné ne produit pas : la section « Updates » de la fiche de modèle elle-même date l’article, le benchmark, le jeu de données et les checkpoints au 2026.11.11, tandis que l’horodatage de création du dépôt et la date de soumission à arXiv indiquent tous les deux le 10 novembre. La fiche a été rédigée après coup, en une seule passe, par quelqu’un qui remettait de l’ordre.

L’idée, en un paragraphe, parce que c’est véritablement une seule idée

Un modèle de vision peut souvent répondre à une question portant sur une région d’une image alors qu’il échoue lorsque la même région apparaît dans le cadre entier. Les auteurs appellent cela l’écart de perception global-vers-zoom, et ils en font un signal de supervision. Étape un : plusieurs modèles localisent indépendamment une cible décrite dans la scène complète, et leur accord identifie une région à recadrer. Étape deux : les légendes du recadrage et les légendes de la scène complète sont comparées, et tout détail que le recadrage révèle mais que la vue complète ne révèle pas devient une question posée sur l’image d’origine. Étape trois : les réponses sont vérifiées à nouveau sur le recadrage, les questions ambiguës et celles auxquelles il est possible de répondre à partir d’a priori linguistiques sont filtrées, et des distracteurs plausibles sont générés pour le format à choix multiples.

L'entraînement est un GRPO sur 9 000 enregistrements construits à partir de 7 713 images sources — une époque, une taille de lot de 64, huit rollouts par question — en utilisant le code EasyR1 fourni. L'évaluation utilise par défaut une température de 0 avec la réflexion de Q​wen3.5 désactivée, et les questions d'OCR et de comptage restent ouvertes tandis que les questions sur les attributs deviennent à choix multiples. Rien de tout cela n'est inhabituel en soi ; ce qui est inhabituel, c'est que le pipeline qui a généré les données d'entraînement a aussi généré le benchmark, et l'article le dit explicitement.

Deux nombres qui ne sont pas le même nombre

Sur ZoomGainBench — le benchmark de 1 000 questions et 941 images, en anglais et en chinois, construit par ce même pipeline — ZoomGain-9B obtient 55,48. Son modèle de base, Qwen3.5-9B, obtient 32,13. Cela représente un bond de 23,35 points sur un benchmark à partir duquel les données d’entraînement du modèle lui-même ont été extraites, et c’est précisément pour cette raison que l’article nomme la colonne « Held-in ».

Le chiffre à retenir pour décider est la moyenne sur treize benchmarks que l’entraînement n’a jamais touchés, ce qui exclut ZoomGainBench : 66,10 pour ZoomGain-9B contre 59,75 pour Qwen3.5-9B. Un gain moyen de 6,35 points à partir de 9 000 échantillons est un résultat solide et crédible. Les deux chiffres sont réels. Ils répondent à des questions différentes, et toute page qui cite 55.48 sans préciser « inclus dans l’entraînement » ne vous raconte que la moitié de l’histoire.

Il y a une seconde anomalie dans le même tableau que personne ne semble avoir encore remarquée : le petit frère bat le 9B sur le benchmark held-in. ZoomGain-4B obtient 55,81 sur ZoomGainBench contre 55,48 pour le 9B, tout en perdant la moyenne held-out 63,96 contre 66,10. Sur le benchmark construit à partir de la distribution d’entraînement, les deux sont au même niveau, dans la marge de bruit ; une fois que l’on sort de cette distribution, la taille reprend le dessus. Si vous deviez choisir entre eux sur la base d’un seul chiffre phare, vous choisiriez le mauvais.

Ce que 9 000 échantillons ont acheté, benchmark par benchmark

Tous les chiffres suivants sont rapportés par les auteurs, proviennent du tableau 3 de l'article, ont été obtenus par le propre harnais des auteurs sur l'évaluateur publié et n'ont été reproduits indépendamment par personne :

• HR-Bench 4K — 90,25, contre 82,13 auparavant. C'est le chiffre sur lequel s'ouvre le résumé, et c'est l'affirmation la plus forte du communiqué.

• V*Bench — 93,19, contre 86,91 auparavant. Détection de petits objets à haute résolution.

• VisualProbe — 56,31, contre 44,66 auparavant. La plus forte progression relative en dehors du benchmark de référence.

• O3-Bench — 68,12, contre 56,52 auparavant. Perception et raisonnement multi-étapes.

MMVP — 70,00, contre 60,00 auparavant. Le test classique d'images appariées qui diffèrent par un seul détail.

• MMStar — 73,87, contre 71,73 auparavant. Compétence multimodale générale, et la plus faible progression de l'ensemble.

• BabyVision — 17,53, contre 15,98 auparavant. Toujours proche du plancher, et un rappel utile que les gains se concentrent dans la famille des détails fins plutôt qu’ils ne se répartissent uniformément.

Lus ensemble, le schéma est cohérent avec la méthode plutôt qu’avec une amélioration générale des capacités : les plus grands écarts se situent sur les benchmarks qui récompensent la capacité à trouver un petit élément dans un grand cadre, et les plus petits sur les benchmarks qui récompensent une vaste connaissance du monde et un raisonnement visuel ordinaire. C’est à cela que devrait ressembler un entraînement RL ciblé sur 9 000 questions portant sur des détails recadrés.

Ce qui est connaissable, ce qui est affirmé et ce qui n’est tout simplement pas confirmé

Connaissable depuis le dépôt, aujourd'hui, sans avoir à croire quiconque sur parole : l'architecture, parce que la configuration est publique et identifie un tronc textuel Qwen3.5-9B à 32 couches, une taille cachée de 4 096, un intermédiaire de 12 288 et 262 144 positions maximales, enveloppé dans une tour de vision ; les données d'entraînement, parce que le Parquet de 9 000 enregistrements et les images sources sont livrés sous forme de jeu de données ; la méthode, parce que les prompts figurent dans l'annexe de l'article ; et l'évaluation, parce que l'évaluateur, les annotations et les images sont tous téléchargeables.

{{1}}Annoncés mais non confirmés : tous les scores de benchmark ci-dessus.{{/1}} L'article les rapporte sur le harnais publié, ce qui les rend plus faciles à vérifier que la plupart des tableaux de fournisseurs — vous pouvez les réexécuter — mais personne en dehors de la liste des auteurs ne l'a encore fait, et aucun laboratoire indépendant n'a publié de résultat pour ZoomGain-9B.

Pas du tout confirmé, et il vaut la peine d'être direct à ce sujet :

• La licence du checkpoint. Le code est sous Apache 2.0 et la carte l’indique. La carte renvoie ensuite les conditions relatives au modèle et aux jeux de données aux « cartes Hugging Face pour les conditions de chaque jeu de données et checkpoint », et le dépôt du checkpoint ne comporte aucune étiquette de licence dans ses métadonnées Hub. C’est un manque à combler en lisant les fichiers avant de livrer, pas une promesse sur laquelle vous pouvez compter.

• La longueur de contexte. La fiche n’en indique aucune. Les 262 144 positions maximales de la configuration sont héritées du tronc Qwen3.5-9B, ce qui ne revient pas à une propriété testée du checkpoint post-entraîné, et chaque évaluation de l’article porte sur une seule image avec le mode réflexion désactivé.

Comportement général de l'assistant. {{1}}Rien dans les tests de publication ne concerne le chat, l'appel d'outils, la génération de textes longs ou l'utilisation multi-tour.{{/1}} Le modèle a été entraîné à répondre à des questions sur des photographies, et c'est la seule capacité étayée par des preuves.

• Tout hôte. Le mappage des fournisseurs du Hub pour le dépôt est vide. Aucune API de fournisseur ni aucun point de terminaison tiers n’est indiqué, donc « l’essayer » signifie actuellement « télécharger 18.82 GB ».

Le lancer cette semaine, si tu veux

La voie GGUF est la plus économique : une version Q4_K_M de 5,63 Go plus un projecteur mmproj de 0,52 Go, ou 9,53 Go en Q8_0, ou 17,92 Go en F16. L’entrée d’images nécessite les deux fichiers — le projecteur n’est pas facultatif, et une version de llama.cpp avec prise en charge multimodale de Q​wen3.5 est le prérequis. La voie de référence est plus lourde mais mieux documentée : vLLM 0.19.1 avec transformers 5.7.0, exactement les versions avec lesquelles les auteurs ont évalué, sur un checkpoint BF16 qui nécessite au minimum une carte de 24 Go, avec une marge confortable au-delà.

Il vaut la peine de prévoir un budget pour le protocole d’évaluation ainsi que pour les poids. Les auteurs exécutent à température 0 avec la réflexion désactivée et notent les questions d’attributs par correspondance exacte sur l’option choisie, les questions de comptage par correspondance exacte sur l’entier prédit, et l’OCR par ANLS avec un plancher de 0,7. Si vous évaluez avec la réflexion activée, ou avec un autre gabarit de prompt, vous mesurez quelque chose que les auteurs n’ont pas rapporté et ne devez pas vous attendre à ce que leurs chiffres se transposent.

OrcaRouter n’héberge pas ZoomGain-9B, et cet article ne va pas prétendre le contraire. Ce que nous avons, en revanche, c’est une seule clé pour plus de 200 modèles au prix catalogue du fournisseur, sans majoration ajoutée, ce qui compte ici pour une raison précise et pratique : le moyen le plus rapide de déterminer si les erreurs de votre pipeline sont des erreurs de détail fin est de faire passer les mêmes images dans un modèle de vision hébergé et de comparer les cas d’échec. Qwen3-VL-8B-Instruct dans notre catalogue coûte 0,18 $ par million de tokens d’entrée et 0,70 $ par million de tokens de sortie avec un contexte de 131 K, accepte les images et la vidéo, et ne rivalisera pas avec un modèle entraîné sur des questions issues de données agricoles — mais il vous dira en un après-midi si le GPU vaut l’investissement.

Qu’est-ce qui changerait cette histoire ?

Quatre choses, par ordre croissant d’importance. Une annonce d’inclusionAI, qui transformerait la lecture d’un dépôt en lancement et s’accompagnerait probablement d’une clarification de licence. Une étiquette de licence sur un checkpoint, qui trancherait la question qui bloque actuellement l’adoption commerciale. Un endpoint hébergé, qui supprimerait la barrière des 18,82 GB pour tous ceux qui ne possèdent pas le matériel. Et une évaluation indépendante, celle qui ferait réellement bouger les choses : l’affirmation selon laquelle un modèle 9B atteint 90,25 sur HR-Bench 4K est le genre de chiffre qui soit survit à un second laboratoire, soit disparaît discrètement.

D’ici là, le résumé honnête est que ZoomGain-9B est une publication de recherche bien documentée, avec une méthode lisible, un harnais reproductible, une séparation entre données vues et données non vues d’une honnêteté inhabituelle, et aucun tiers ne se portant garant de l’ensemble. C’est plus que ce qu’offrent la plupart des sorties discrètes, et moins qu’un produit.