כרטיס כותרת למאמר ZoomGain-4B: הכותרת הראשית ZoomGain-4B, כתובית עם הטקסט inclusionAI פרסמה את המשקלים ב-11 בנובמבר 2026 ולא הודיעה דבר, ושלושה תגים עם הכיתוב 4.54B פרמטרים, ראייה-שפה וללא API מתארח.
Engineering & Research

ZoomGain-4B שוחרר ב-11 בנובמבר ללא שום הכרזה מאחוריו

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

הקומיט הראשון ב־inclusionAI/ZoomGain מתוארך ל־2026-11-09 בשעה 02:13 UTC, וההודעה שלו היא "Release ZoomGain init." המשקלים של ZoomGain-4B הופיעו ב־Hugging Face ב־2026-11-10 בשעה 11:38 UTC. רישום ה־arXiv, מערך ההערכה וקורפוס למידת החיזוק שהפיק אותו — כולם מתוארכים ל־2026-11-11, אותו יום שבו כרטיס המודל נערך לאחרונה. מה שלא הופיע, בשום מקום שבו יכולתי למצוא, הוא פוסט השקה. אין רשומת חדשות באתר של inclusionAI, אין הכרזה בפרופיל ה־Hugging Face של הארגון מעבר למאגר עצמו, אין נקודת קצה מתארחת, ואין שום סיקור מאף גורם. ZoomGain-4B הוא מודל חזותי־לשוני שנבנה באמצעות למידת חיזוק מעל Qwen3.5-4B, ונכון לבוקר הזה האנשים היחידים שיודעים שהוא קיים הם אלה שבמקרה הסתכלו על רישום מאגר. זהו מאמר מסוג "מה שהמאגר אומר": כל נתון להלן הוא או חתימת זמן שתוכלו לאמת בעצמכם או מספר שהמחברים שמו בכרטיס שלהם, והמקומות שבהם זה לא מספיק מסומנים ככאלה.

לקורא שרוצה להבין את התמונה הכללית לפני הפרטים: המודל הוא צ'ק־פוינט מולטימודלי בעל 4.54 מיליארד פרמטרים שעונה על שאלות רב־ברירה בנוגע לפרטים חזותיים עדינים — טקסט קטן בתצלום, ספירת עצמים בסצנה עמוסה, מאפיין שניתן לקרוא רק כשמזומים פנימה. הטענה של המחברים היא שמודל ראייה שמסתכל על תמונה מלאה מחמיץ פרטים שהוא יכול לקרוא היטב ברגע שאותו אזור מוגדל, ושאפשר להפוך את הפער הזה לאות אימון. לאחר מכן הם בנו מבחן של 1,000 שאלות מאותו מנגנון, ובמבחן הזה ה־4B המאומן משיג 55.81 לעומת 30.03 עבור המודל שממנו אומן. שני המספרים האלה הם כל הטיעון, והם מגיעים עם הסתייגות שהמאמר עצמו מציין: המבחן נבנה באותו צינור עיבוד כמו נתוני האימון, מה שהמאמר מכנה "held-in".

מה נכנס, ומה מספרות חותמות הזמן

השחרור שלם באופן יוצא דופן עבור משהו שאיש לא הודיע עליו. שישה פריטים, כולם בתוך חלון של 48 שעות:

• המאמר. "ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision," arXiv 2611.14076, הוגש ב-10 בנובמבר 2026, מאת Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao ו-Jianwei Yin. שבעה מחברים, cs.CV ו-cs.AI.

• נקודת הביקורת של 4B. inclusionAI/ZoomGain-4B — safetensors ב-BF16. המטא-נתונים של הקובץ מונים 4,539,265,536 פרמטרים. הרישיון Apache 2.0 חל על הקוד; הכרטיס מפנה את תנאי נקודת הביקורת ומערך הנתונים למאגרים שלהם.

• נקודת השמירה של 9B. inclusionAI/ZoomGain-9B, 9,409,813,744 פרמטרים, נוצרה ארבע דקות לאחר אחותה הקטנה.

• גרסאות מכומתות. ZoomGain-4B-GGUF הגיע ב-2026-11-11 בשעה 03:09 UTC עם שלוש רמות דיוק ועם מקרני חזון תואמים: Q4_K_M בנפח 2.71 GB, Q8_0 בנפח 4.48 GB, F16 בנפח 8.42 GB, כל אחד עם קובץ mmproj עבור מקודד התמונה. ה-9B GGUF הגיע לאחר מכן.

• הבנצ'מרק. inclusionAI/ZoomGainBench, 1,000 שאלות על פני 941 תמונות, טקסט באנגלית ובסינית לכל פריט, בתוספת תשובת ייחוס, כלל ניקוד ותיבת תיחום ראיות בקואורדינטות פיקסלים.

• נתוני האימון. inclusionAI/ZoomGain-RL-Data, 9,000 רשומות ו-7,713 תמונות מקור בפורמט Parquet, עם מטא-נתוני התגמול שסקריפט האימון מצפה להם.

השקט אינו תעלומה ואינו מבשר רעות. זה מה שנראה כמו פרסום פנימי של קבוצת מחקר כשהמאמר עובר את arXiv לפני שמישהו כותב את פוסט הבלוג. כל הסימנים נמצאים שם: שלושה קומיטים בבוקר ה-11 בנובמבר, כולם תחת הכותרת "update readme", בהפרש של ארבע עשרה דקות; למאגר ה-GitHub יש שלושה כוכבים ושדה התיאור לא מולא; שני מאגרי ה-checkpoint מציגים אפס הורדות ואפס לייקים; ועמוד המודל 4B נושא אזהרה על מטא-דאטה YAML ריקה או חסרה. דבר מזה אינו ראיה על המודל. זו ראיה על ההשקה.

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.

השיטה, בשלושה מהלכים

החלק המעניין ב-ZoomGain הוא לא המודל, אלא האופן שבו נוצרו השאלות. התהליך פועל בשלושה שלבים, ורק הראשון שבהם שגרתי.

• עגן את המטרה. מספר מודלים מאתרים באופן בלתי תלוי אזור המתואר בסצנה המלאה. כאשר הם מסכימים, ההסכמה הזו נחשבת לחיתוך שכדאי לשמור. שימוש באי-הסכמה כמסנן משמעו שנקודה עיוורת של אף מודל בודד אינה מגדירה את קבוצת המטרות.

• כריית ראיות. כיתובים של אותו אזור מושווים בשתי רמות זום. כל מה שהחיתוך חושף והתמונה המלאה אינה חושפת הופך לשאלה על התמונה המלאה. זהו המנגנון שיוצר את פער ה"גלובלי-לזום" שאליו מתייחסת הכותרת: השאלה ניתנת למענה, אך רק אם המודל מפענח משהו בקצה התפיסה שלו.

• אימות ויצירת מסיחים. התשובות נבדקות בהצלבה מול החיתוך, שאלות דו-משמעותיות מוסרות, שאלות שאפשר לענות עליהן בלי התמונה בכלל מוסרות, ונוצרים מסיחים לשאלות אמריקאיות. האבלציה מראה שהשלב האחרון הזה עושה עבודה אמיתית — הסרת מסיחים ייעודיים עולה 8.96 נקודות בבנצ'מרק ה-held-in, הירידה הבודדת הגדולה ביותר שהמאמר מדווח עליה.

האימון עצמו אינו אקזוטי. GRPO באמצעות מסגרת EasyR1 המצורפת, תקופה אחת, גודל אצווה 64, שמונה רולאאוטים לכל שאלה, מה שמסתכם ב-140 צעדים על 9,000 רשומות. המאגר כולל בדיקת עשן שמריצה צעד בודד הכולל רולאאוט, תגמול ושמירת נקודת ביקורת, ומשגרים מלאים לשני הגדלים. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 ו-transformers 5.7.0 — כולם נעולים, וזה ההבדל בין מאגר שמשחזר לבין מאגר שרק מתאר.

המספר שחשוב, וההסתייגות שמצמצמת אותו

ZoomGainBench הוא קשה בכוונה. המודל החזק ביותר בו הוא GPT-5.6-Sol עם 61.08 בסך הכול, וזה 61.08 מתוך 100 בשאלות אמריקאיות על תצלומים. Claude-Opus-5 עומד על 59.86, Gemini-3.6-Flash על 59.41. המודל החזותי הכללי הפתוח הטוב ביותר בטבלה, Qwen3.8-Flash-Next עם 125 מיליארד פרמטרים, מגיע ל-55.05. מודל עם 4 מיליארד פרמטרים שאומן על 9,000 דגימות מגיע ל-55.81 — מעל המודל הכללי עם 125B, מעל Kimi-K3 עם 2.8 טריליון פרמטרים, ומעל GLM-5.3-Flash עם 320 מיליארד.

אילו המספר הזה היה שורד מפגש עם רתמת בדיקה עצמאית, זה היה סיפור החודש. הוא עדיין לא, מסיבה שהמאמר מצהיר עליה בגלוי. ZoomGainBench נבנה באותו תהליך שהפיק את נתוני האימון, וטבלת האבלציה של המאמר עצמו מפרטת אותו תחת עמודה שכותרתה "Held-in". השאלות אינן שאלות האימון, אבל הן נדלות מאותה התפלגות באמצעות אותה מכונה. למודל שעבר כוונון עדין על אותה התפלגות יש יתרון שאין למודל שנבחן ב-zero-shot, וגודלו של היתרון הוא בדיוק מה שאיש מחוץ ל-inclusionAI לא יכול למדוד היום.

הראיות ממבחנים שלא נכללו באימון פחות מרהיבות ויותר משכנעות. המאמר מדווח על ממוצע על פני עשרה בנצ'מרקים שנשמרו בצד: 54.20 עבור Qwen3.5-4B הלא מאומן, ו-60.96 עבור ה-4B שאומן ב-ZoomGain. עלייה ממוצעת של 6.76 נקודות בבנצ'מרקים שהאימון מעולם לא ראה היא תוצאה אמיתית. זה פשוט לא אותה טענה כמו להביס מודל בעל 2.8 טריליון פרמטרים.

כדאי לציין גם שהניצחון אינו אחיד. בהשוואת ה-4B לבסיס שלו לאורך הטבלה הראשית של המאמר:

• שיפורים גדולים. Visual Probe מ-43.30 ל-57.28. O3-Bench מ-54.20 ל-63.19. Zoom Bench מ-48.88 ל-59.88. HR-Bench 4K מ-81.25 ל-87.25. BabyVision מ-14.69 ל-21.13.

• שיפורים מתונים. MME-RealWorld-Lite מ-57.89 ל-61.59. MMStar מ-66.80 ל-72.53. HR-Bench 8K מ-77.63 ל-83.88. MMVP מ-57.33 ל-61.33.

• רגרסיה אחת. ה־"Tree" בסגנון TreeBench מציג 49.38 לפני אימון ו־49.14 אחריו. ירידה של 0.24 נקודות, היטב בתוך הרעש, אבל היא בטבלה ולא מחוצה לה, וזה סימן טוב לגבי הטבלה.

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.

מה שבאמת לא מאומת

ארבעה דברים, והם חשובים יותר מההסתייגות הרגילה.

לא קיימת הערכה עצמאית. אף לא מספר אחד מצד שלישי. ה-55.81, הממוצע 60.96, ה-90.25 שאליו מגיע ה-9B ב-HR-Bench 4K — כל זה הוא המחברים שמודדים את המודל שלהם במערכת הבדיקה שלהם. זה נורמלי למאמר וזה לא מהווה ראיה שמשהו לא בסדר. זה כן אומר שיש לקרוא את המספרים כטענות.

אין נקודת קצה מתארחת.אף אחד משני הצ'קפוינטים לא מפרט ספק הסקה. אין API, אין סביבת התנסות, אין מחירון. אם תרצו להשתמש במודל הזה בחודש הקרוב, תצטרכו להוריד 8.42 GB ולהריץ אותו בעצמכם.

השם אינו תואם את ספירת הפרמטרים בשלושה מקומות. המודל נקרא 4B, כרטיס ה-GGUF אומר 4B, תג המאגר אומר 5B, והסכום בפועל בקבצי safetensors הוא 4.54B. חצי המיליארד הנוסף הוא מקודד הראייה והמקרן, וזהו ההסבר הרגיל — אבל כרטיס שלא מצליח לשמור על מספר אחד עקבי ביום הראשון לא עבר הגהה, וזה דבר הוגן לשקול כשאתה מחליט עד כמה לסמוך על השאר.

אין הצהרת כוונות. האם תהיה גרסת 30B? גרסה מתארחת? גרסת v2 עם בנצ'מרק מוחזק? שום דבר במאגר לא אומר. יומן העדכונים ב-README מפרט שלוש שורות, כולן מתוארכות 2026.11.11, וכולן מתארות מה שוחרר ולא מה יבוא לאחר מכן.

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.

להריץ את זה, היום, בלי ספק

נתיב ה-GGUF הוא המעשי, ויש לו תנאי מוקדם מחייב: צריך בילד של llama.cpp עם תמיכה רב-מודלית ב-Qwen3.5. כרטיס המודל מבהיר במפורש שמודל השפה וכן mmproj הפרויקטור הם קבצים נפרדים, ושקלט תמונה דורש את שניהם. דוגמת ה-CLI מעבירה -m עבור המודל, --mmproj עבור הפרויקטור, --image עבור התמונה ורצה בטמפרטורה 0 כשהחשיבה מושבתת, וזה גם מה שברירת המחדל של רתמת ההערכה. llama-server עובד באותו אופן על פורט 8080. ב-Q4_K_M אתם מחזיקים 2.71 GB של מודל שפה ועוד פרויקטור, מה שמתאים בנוחות למחשב נייד; ב-F16 אתם על 8.42 GB ועוד פרויקטור, שזה תחנת עבודה או GPU בינוני יחיד.

לכל שימוש בקנה מידה גדול, vLLM 0.19.1 עם transformers 5.7.0 הוא הסטאק הנתמך, וסקריפט ההערכה של המאגר עצמו מקבל MODEL_PATH, רשימת GPUS ומתג LANGUAGE שמריץ רק אנגלית, רק סינית, או את שניהם עבור 2,000 משימות. זה מספיק שלד כדי לשחזר את המספרים המדווחים על החומרה שלכם, וזה יותר ממה שרוב הגרסאות השקטות מציעות.

אם אתה מעדיף לא להקים GPU רק כדי לגלות אם הגישה שווה משהו, צעד הביניים הכנה הוא ליצור אב-טיפוס של לולאת החיתוך והשאלה מול מודל ראייה מתארח שאפשר לקרוא לו כבר היום. בקטלוג שלנו יש את Qwen3-VL-8B במחיר 0.18 דולר לקלט ו-0.70 דולר לפלט למיליון טוקנים, ואת קו Qwen3.5 מ-qwen3.5-35b-a3b במחיר 0.057 ו-0.459 דולר ומעלה — מפתח אחד, בלי חוזה לכל ספק, וכלל ניתוב שעובר למודל שני אם הראשון נתקע. ZoomGain-4B עצמו אינו בקטלוג שלנו ולא אעמיד פנים אחרת; מטרת העיקוף המארח היא לקבוע אם שאלות של פרטים דקים הן הדבר שהמוצר שלך באמת טועה בו, לפני שאתה מבזבז שבוע על 4B באירוח עצמי שרק עונה עליהן טוב יותר מאשר ההורה שלו עצמו.

מה יהפוך את זה מסקרנות להחלטה

שלושה אותות, לפי סדר מידת המידע שהם יספקו לך. ראשית, הרצה עצמאית של ZoomGainBench בידי מישהו שאין לו אינטרס בצינור — המדד ציבורי, מערך ההרצה נמצא במאגר, והחסם לכניסה הוא GPU ואחר צהריים, כך שזה צפוי לקרות לפני כל האחרים. שנית, הרחבה עם סט מוחזק: אם המחברים יענו להתנגדות המובנת מאליה על ידי הערכה על מדד שלא היה להם חלק בבנייתו, המספר 55.81 מפסיק להיות מספר על סט המבחן שלהם עצמם. שלישית, פריסה מתארחת, שתגיד לך שהמשקולות באמת ניתנות להגשה בהשהיה סבירה ולא רק להורדה.

עד שאחד מאלה יתממש, התיאור הנכון של ZoomGain-4B אינו "מודל ראייה קטן גובר על החזית". הוא: קבוצת מחקר פרסמה מתכון אימון שמעלה מודל ראייה 4B ב־6.76 נקודות בממוצע על פני עשרה בנצ'מרקים שהוא לא אומן עליהם, ובמקביל פרסמה בנצ'מרק שמראה שאותו טריק מניב מספר גדול בהרבה בשאלות שנבנו באותו אופן. החצי הראשון הוא הממצא. החצי השני הוא השיווק, והוא הגיע בלי הודעה לעיתונות, שזה לפחות סדר מרענן שבו שני הדברים האלה מגיעים.