ZwZ2-4B livré sans lancement : ce que dit la fiche du modèle et ce qu’elle ne dit pas

Le dépôt ZwZ2-4B a été créé le 15 octobre 2026 à 06:11 UTC et, ce matin, il affiche zéro téléchargement et zéro like. Ce n’est pas inhabituel pour un checkpoint que personne n’a annoncé. Ce qui est inhabituel, c’est qu’il comporte aussi une fiche modèle complète : une section méthode, une description des données d’entraînement, un bloc de démarrage rapide et un résultat phare revendiquant 25 benchmarks et une amélioration de 5,38 points par rapport à Qwen3.5-4B, le modèle à partir duquel il a été affiné. inclusionAI a publié la documentation sans publier l’annonce. La fiche est là ; le communiqué de presse ne l’est pas ; et la différence entre ces deux choses, c’est toute l’histoire de ce checkpoint.

Cet article est délibérément limité dans ce qu’il affirme. Tout ce qui est indiqué ci-dessous comme un fait du dépôt a été lu directement dans les fichiers — la configuration, l’index des poids, l’entrée du jeu de données, la fiche elle-même. Tout ce qui est marqué comme une affirmation du fournisseur est le propre chiffre d’inclusionAI, reproduit comme une affirmation et non comme un résultat. Il n’existe aucune évaluation indépendante de ZwZ2-4B, et quiconque vous dit le contraire ne fait que vous relire la fiche.

Qu’est-ce qui a réellement été livré, et à quelles dates

La famille ZwZ2 est arrivée dans une fenêtre d'environ vingt-trois heures et demie, par ordre décroissant de taille. ZwZ2-4B est arrivé en premier, le 15 octobre à 06:11 UTC. ZwZ2-9B a suivi le 16 octobre à 03:42. ZwZ2-27B a clôturé l'ensemble à 05:42 le même matin. Le jeu de données d'entraînement, inclusionAI/ZwZ2-RL-VQA, est apparu trois jours plus tard, le 19 octobre. Les trois dépôts, le jeu de données et la collection de la famille portent des horodatages d'aujourd'hui, le 27 octobre — le plus récent passage de maintenance sur une famille à laquelle aucune annonce publique n'est encore associée.

Ce qui ne s’est pas produit : aucune entrée sur le blog d’inclusionAI et aucun fil de discussion sur la sortie. Les trois checkpoints partagent bien une collection, Zooming-without-Zooming-v2, forte de quatre éléments, mais une collection est un conteneur plutôt qu’une annonce. Le dépôt GitHub qui héberge le code de première génération n’a pas été mis à jour du tout — il liste toujours quatre modèles, ZwZ-2B, ZwZ-4B, ZwZ-7B et ZwZ-8B, tous bâtis sur des backbones Qwen3-VL. La famille v2 n’y figure pas. Si vous cherchez le code qui a produit ZwZ2-4B, vous trouverez le code de son prédécesseur, et le README qui s’y trouve ne mentionnera pas le modèle que vous avez entre les mains.

L’affirmation, énoncée comme une affirmation

La fiche d'inclusionAI rapporte une précision globale de 49,41 pour le modèle de base et de 54,79 pour ZwZ2-4B, mesurée sur 25 benchmarks regroupés en six domaines. La fiche indique que le modèle s'est amélioré sur chacun de ces benchmarks et que les moyennes globales et par domaine pondèrent chaque benchmark à égalité. Les six domaines qu'elle nomme sont la perception à granularité fine, le raisonnement spatial, la compréhension de contextes longs, les agents multimodaux et le raisonnement visuel général, ainsi que le groupe à granularité fine qui porte le résultat principal.

Ces deux chiffres constituent tout l'argument quantitatif du modèle. Les scores par benchmark figurent sur la page sous forme d'images — un PNG et un SVG — plutôt que de texte, ce qui signifie que les huit résultats représentatifs et l'ensemble des vingt-cinq sont visibles mais non lisibles par machine. Le seul ensemble de benchmarks décrit en prose est MMLongBench*, dont le cœur visuel est indiqué comme V-RAG, Image MM-NIAH et VH-Multi, sur 25 tâches non-Counting. La fiche note également que la résolution d'image pour les « modèles avancés » est limitée par la plateforme de service, ce qui est une réserve légitime et rappelle aussi qu'un score de perception dit en partie comment l'image est parvenue au modèle.

Une moyenne de +5,38 sur 25 benchmarks constitue une affirmation ambitieuse pour un modèle de classe 4B. C’est aussi exactement le genre d’affirmation qu’un fournisseur est le mieux placé pour formuler et le moins bien placé pour vérifier, car c’est le fournisseur qui a choisi l’ensemble de benchmarks, la pondération et la résolution. Considérez 54,79 comme le chiffre à reproduire, et non comme celui sur lequel planifier.

La méthode : une seule passe, sans zoom, sans SFT

Le pipeline d’entraînement s’appelle EvidenceConnect, et il s’agit de la deuxième génération d’une idée que le laboratoire a publiée plus tôt cette année sous le nom « Zooming without Zooming ». Le principe est que la perception visuelle fine est généralement résolue au moment de l’inférence — recadrer la région, reposer la question, répéter — et que cette approche est coûteuse et fragile. ZwZ2 apprend plutôt au modèle à prêter attention aux indices régionaux au sein d’une seule passe avant.

La construction se déroule en quatre étapes, comme la fiche le décrit. Les régions associées sont regroupées, par trois à sept par image, issues de SA-1B. Les questions sont générées à partir de vues zoomées privilégiées de ces régions, afin que le rédacteur des questions puisse voir des détails que le modèle de politique ne verra jamais lors de l’inférence. Ces questions sont ensuite filtrées deux fois — par accord entre modèles, et par un test de suppression d’une région qui vérifie si le retrait d’une région modifie réellement la réponse. Les questions validées deviennent des tâches à choix multiples à quatre options, et le modèle est entraîné avec GRPO. Il n’y a aucune étape de fine-tuning supervisé.

À l'inférence, la politique voit l'image complète avec les contours des régions colorées dessinés dessus. Les recadrages privilégiés n'existent que pendant la construction des données. Chaque taille de modèle de la famille a utilisé environ 20 000 exemples d'entraînement ; la fiche du jeu de données indique le chiffre exact : 20 662 questions à choix multiples, cinq téléchargements et une date de création au 19 octobre.

La conception a une conséquence visible qu'il convient de signaler à toute personne qui prévoit de l'évaluer. Un modèle entraîné uniquement sur des QCM à quatre options est optimisé pour un format de tâche qui ne ressemble en rien au légendage ouvert ni aux questions-réponses visuelles libres. Si votre charge de travail exige un paragraphe sur une image, ce checkpoint n'a pas été entraîné pour cela, et la section des limites de la fiche modèle le dit explicitement : détails hallucinés, texte mal lu, erreurs de comptage, erreurs spatiales.

Ce que la configuration prouve, indépendamment du laboratoire

Il existe une catégorie de faits qu’il n’est pas nécessaire de tenir pour acquis, car elle relève de l’arithmétique appliquée à des fichiers publiés. ZwZ2-4B compte 4 539 265 536 paramètres en BF16, stockés dans un seul fichier safetensors de 9,08 Go. La page Hugging Face arrondit ce chiffre à « 5B », ce qui est généreux ; l’index indique 4,54B. Sa base, Qwen3.5-4B, compte 4 659 865 088 — le modèle dérivé a donc environ 120,6 millions de paramètres de moins que le modèle dont il a été entraîné.

Cette différence a une explication nette dans la configuration. Qwen3.5-4B déclare une couche de prédiction multi-jetons ; ZwZ2-4B en déclare zéro. La tête de décodage spéculatif a été supprimée. Retirez une tête MTP d’un checkpoint de 4,6B et vous retombez presque exactement sur l’écart observé. Il s’agit de la même modification que porte l’homologue 9B, et c’est la preuve la plus solide dont on dispose que ce sont des dérivés post-entraînés plutôt que des modèles fraîchement entraînés.

Le reste de la pile est inchangé par rapport à la base :

• Profondeur — 32 couches dans ZwZ2-4B et Qwen3.5-4B

• Largeur — taille cachée 2 560, intermédiaire 9 216

• Attention — 16 têtes de requête contre 4 têtes KV, dimension de tête 256, un schéma 3:1 linéaire/complet (24 couches linéaires, 8 complètes)

• Vocabulaire — 248 320 jetons, embeddings liés

• Contexte — 262 144 positions, M-RoPE selon une répartition 11/11/10, facteur de rotation partiel 0,25

• Tour de vision — 24 couches avec une taille cachée de 1 024, taille de patch de 16, fusion spatiale 2×2

• Runtime — transformers 5.13.1, identifiant d’architecture Qwen3_5ForConditionalGeneration

Le template de chat mérite une ligne, car il change le comportement du modèle par défaut. Le template publié fonctionne en mode non-thinking et demande au modèle de placer sa réponse finale dans des balises <answer>. Si vous le chargez avec un harnais VLM générique qui attend du texte libre, vous obtiendrez des balises dans votre sortie et vous vous demanderez pourquoi.

Ce que la carte ne vous dit pas

Trois lacunes comptent davantage que tout ce que dit la carte.

Le premier point est la licence. Le dépôt ne contient aucun fichier LICENSE ni aucune étiquette de licence. La formulation même de la carte renvoie à « la licence accompagnant les poids publiés et la licence applicable au backbone » — mais il n’existe aucun fichier de licence d’accompagnement vers lequel renvoyer. Le backbone, Qwen3.5-4B, est sous Apache-2.0, donc l’interprétation la plus probable est que le dérivé en hérite. « Probable » n’équivaut pas à « déclaré », et une revue juridique n’acceptera pas une phrase de carte qui pointe vers un fichier inexistant.

Le second est l’article. La méthode v2 — EvidenceConnect, le filtre drop-one-region, l’entraînement uniquement avec GRPO — ne fait l’objet d’aucune documentation publique. Le lien vers l’article de la fiche est toujours le texte de remplacement littéral PAPER_URL. Le seul identifiant arXiv associé au dépôt, 2602.11858, est celui de l’article de première génération, qui décrit la distillation région-vers-image sur des backbones Qwen3-VL : une méthode différente, une famille de modèles de base différente et un ensemble de chiffres différent. La fiche du jeu de données hérite du même identifiant, si bien que l’étiquette propage l’incohérence.

Le troisième point est l'absence de toute mesure indépendante. Aucun classement n'a évalué ZwZ2-4B, aucune réplication n'existe, et le compteur de téléchargements n'a pas bougé de zéro. Un modèle peut être excellent et non mesuré en même temps ; le point est seulement que rien en dehors du laboratoire n'a encore confirmé le 54,79.

Le piège de nommage dans lequel vous allez tomber

Si vous recherchez ce modèle, vous en trouverez d'abord un autre. La première génération de ZwZ-4B est un checkpoint réel et documenté construit sur Qwen3-VL-4B, et il affiche une moyenne de 66,86 contre 61,52 pour son backbone, avec un score ZoomBench de 55,74. Ces chiffres sont largement cités et ce ne sont pas ceux de ZwZ2-4B. Ils appartiennent à un modèle de base différent, à une recette d'entraînement différente et à une suite de benchmarks différente.

Les deux noms ne diffèrent que d’un seul caractère. Un tableau comparatif qui les mélange paraîtra cohérent en interne, mais sera erroné. Si une page fournisseur ou un agrégateur affiche ZwZ2-4B à 66,86, c’est l’erreur que vous avez sous les yeux.

Si vous avez besoin d’un petit modèle de vision cette semaine

ZwZ2-4B ne figure pas au catalogue d’OrcaRouter, et cet article ne va pas prétendre le contraire. C’est un checkpoint que vous téléchargez et servez vous-même ; il n’existe nulle part d’endpoint hébergé pour celui-ci que la page Hugging Face reconnaisse, et la page indique explicitement qu’aucun fournisseur d’inférence ne le sert.

Ce que le catalogue propose, en revanche, c'est une alternative pratique pour le même usage : qwen/qwen3-vl-8b-instruct à 0,18 $ par million de jetons d'entrée et 0,70 $ par million de jetons de sortie, avec un contexte de 131K, servi via le même point de terminaison compatible OpenAI que tout le reste. Si votre plan était d'évaluer ZwZ2-4B face à une référence de vision hébergée, c'est celle-ci, et exécuter les deux à partir d'une seule clé signifie une seule bibliothèque cliente et une seule facture au lieu de deux intégrations. OrcaRouter route plus de 200 modèles avec bascule automatique, de sorte qu'un chemin de vision bâti sur ce point de terminaison ne dépend pas d'un seul fournisseur amont qui reste opérationnel.

Pour un modèle sans aucun téléchargement et sans fichier de licence, c’est la recommandation honnête : louer la comparaison, posséder l’expérimentation.

Qu’est-ce qui changerait cette évaluation ?

Trois événements, par ordre d’importance décroissant. Un fichier de licence, qui transformerait une inconnue juridique en réponse juridique. Un document v2 public, qui permettrait de vérifier que le filtrage d’EvidenceConnect ne présente pas de fuite — le test drop-one-region est une bonne idée, et les bonnes idées sont précisément ce qui doit être audité. Et n’importe quel score tiers, quel qu’il soit, car un seul benchmark reproductible sur un harnais neutre apporterait davantage à ce checkpoint que mille mots supplémentaires de fiche.

Tant que l’un de ces éléments ne se concrétise pas, ZwZ2-4B est un spécialiste de la perception de 4,54 B de paramètres, bien documenté, non annoncé et non mesuré, dont sa propre fiche indique qu’il dépasse son modèle de base de 5,38 points. C’est une affirmation authentique et précise. Ce n’est pas encore un résultat, et cette distinction est la seule chose qui vaut la peine d’être retenue de ce dépôt.