ZoomGain-4B לעומת MiniCPM5 2B: ניידות היא הבנצ'מרק שאף אחד לא מפרסם

חסר מספר בשני כרטיסי המודל, והוא זה שמכריע את רוב הפריסות. MiniCPM5-2B מגיע כבילדים של GGUF, MLX, GPTQ ו-LiteRT, כולל מודל טיוטה DSpark לפענוח ספקולטיבי, ו—הפרט שמספר לך הכי הרבה—כולל בילדים של FlagOS לתשע משפחות מאיצים שונות, כולל Ascend, Hygon, Kunlunxin ו-Metax. ZoomGain-4B מגיע ב-GGUF בשלוש רמות דיוק ודורש, בלשון הכרטיס עצמו, "בילד של llama.cpp עם תמיכה מולטימודלית ב-Q​wen3.5". אחד מהמודלים האלה רץ כמעט בכל מקום. השני רץ במקום שבו אפשר לבנות סביבת ריצה ספציפית. אף אחד מהכרטיסים לא מכנה זאת בנצ'מרק, ולמי שצריך להפעיל מודל בפועל ולא רק לצטט אותו, זו השורה שחשובה יותר מעמודת הדיוק של כל אחד מהמודלים.

המסגור הזה אינו דרך להתחמק מהשוואת הדיוק — היא מגיעה בהמשך, ומסתבר שהשוואת הדיוק פחות מכרעת ממה שהיא נראית, משום ששני המודלים אינם נמדדים על אותו ציר ולא יכולים להיות. MiniCPM5-2B מבית OpenBMB הוא מודל טקסט: 2.52 מיליארד פרמטרים, שוחרר ב-6 בספטמבר 2026, מכוונן לסוכנים, לקריאות לכלים, לקוד ולהקשר ארוך. ZoomGain-4B מבית inclusionAI הוא מומחה לראייה-ושפה שפורסם ב-11 בנובמבר 2026, ואומן בלמידת חיזוק על שאלות בנוגע לפרטים חזותיים עדינים. מה שלפנינו הוא מה נמדד בכל אחד מהם, מה העלות של הקמת כל אחד מהם, והיכן עובר קו הגבול הכנה.

השורה החסרה: מה נדרש כדי להריץ כל אחד מהם

התחל מרשימת הארטיפקטים, כי זה הדבר המוחשי ביותר שאחד מהמו״לים נתן לך.

• MiniCPM5-2B. טרנספורמר סיבתי צפוף על גבי המחלקה הסטנדרטית LlamaForCausalLM — 42 שכבות, GQA עם 16 ראשי שאילתה ו-2 ראשי KV, הקשר של 131,072 טוקנים, 2,516,756,480 פרמטרים בסך הכול, מתוכם 1,981,982,720 אינם פרמטרי הטמעה. מכיוון שהארכיטקטורה סטנדרטית, היא יורשת כל מסלול הגשה שכבר נכתב עבור מודלים בצורת Llama. הארגון מפרסם את גרסאות SFT, Midtrain ו-Base כמאגרים נפרדים, וכן כימות GGUF, MLX ו-GPTQ, וכן מודל טיוטה DSpark לפענוח ספקולטיבי, וכן LiteRT עבור Android במכשיר, וכן דגם אחות 1B עם אותה קבוצת גרסאות.

• ZoomGain-4B. 4,539,265,536 פרמטרים ב-BF16 במודל שפה ובמקודד חזותי נפרד. שלושה דיוקי GGUF — Q4_K_M בגודל 2.71 GB, Q8_0 בגודל 4.48 GB, F16 בגודל 8.42 GB — כשכל אחד מהם משויך לקובץ mmproj של מקרן, שעל פי הכרטיס הוא חובה לקלט תמונות. אין בנייה של MLX, אין GPTQ, אין ONNX, ואין מודל טיוטה. סביבת ההרצה היחידה שנקראת בשמה היא llama.cpp עם תמיכה מולטימודלית ב-Qwen3.5, וזו דרישה צרה יותר ממה שהיא נשמעת: צריך בנייה עדכנית מספיק כדי להכיר את ארכיטקטורת qwen35, והכרטיס אומר לך לספק את שני הקבצים במפורש במקום להצביע על נתיב מוכן.

חוסר הסימטריה אינו ביקורת על inclusionAI. מודל ראייה שפורסם לפני תשעה ימים ומעולם לא הוכרז אינו אמור לכלול סביבת הרצה ל-Android. זה פשוט המצב, וזה אומר ששני המודלים אינם ניתנים להחלפה במימד שעולה כסף: MiniCPM5-2B ירוץ על החומרה שכבר יש לכם, כולל טלפון; ZoomGain-4B ירוץ על GPU, בסביבת הרצה שאולי תצטרכו לקמפל, ולא בשום מקום אחר.

שתי הגדרות שונות של ״קטן״

שניהם מכונים מודלים קטנים, והמילה הזו עושה עבודה שונה בכל אחד מהמקרים.

• פרמטרים, בספירה כנה. ל-MiniCPM5-2B יש 1.98B פרמטרים שאינם הטמעה — המספר שקובע את החישוב לכל טוקן — בתוך סך של 2.52B. ל-ZoomGain-4B יש סך של 4.54B, וכחצי מיליארד מזה הם מקודד הראייה והמקרן. הסירו את מחסנית הראייה ושתי שלדות השפה נמצאות בפער של שגיאת עיגול מאותו גודל. ההבדל בהתנהגות נובע ממה שאומן מעל, לא מקנה המידה.

• למה נועד האימון.הכרטיס של MiniCPM5-2B מפרט את התחומים החזקים ביותר שלו: הסקה בקוד ובמתמטיקה, הבנת הקשר ארוך, שימוש בכלים ומשימות סוכניות, ומציין את היעד שלו כעוזרים מקומיים, סוכני קידוד ופריסה על המכשיר. הכרטיס של ZoomGain-4B עוסק בדבר אחד: האם מודל יכול לענות על שאלה שתשובתה גלויה רק כשעושים זום לתוך התמונה.

• מה בחר כל מפרסם למסור. OpenBMB פרסמה את סולם הגרסאות המלא של MiniCPM5 — בסיס, מאומן-ביניים, SFT, סופי RL-plus-OPD, וכן מודל טיוטה ובינאריים שנבנו מראש עבור תשע משפחות שבבים. inclusionAI פרסמה שלושה מאגרי מודלים, שני מערכי נתונים ומאגר קוד המכיל את צינור בניית הנתונים ואת משגרי ה-GRPO. האחד הוא קו מוצרים; האחר הוא מהדורת מחקר עם מחברת המעבדה מצורפת.

• רישיון. המודל MiniCPM5-2B מופץ תחת Apache 2.0 לפי כרטיס המודל, והרישיון חל הן על המאגר והן על המשקלים. הקוד של ZoomGain הוא ברישיון Apache 2.0, ותנאי נקודת הבדיקה (checkpoint) מופנים למאגר נקודת הבדיקה, שנכון לשבוע זה אינו נושא תג רישיון במטא-הנתונים שלו. קרא את הקובץ לפני שאתה מפרסם.

עמודות אמת המידה, ומדוע הן אינן עומדות בהן

אין אף מבחן משותף בין שני הדגמים האלה. אפילו לא אחד. ZoomGainBench היא קבוצה של שאלות על תצלומים ול-MiniCPM5-2B אין מקודד תמונה; כל מבחן אחר בטבלה של MiniCPM5 הוא טקסטואלי ו-ZoomGain-4B מעולם לא הורץ על אף אחד מהם. לכן, במקום השוואה ראש בראש, הנה מה שכל מפרסם למעשה מדד, כשהוא נשמר בנפרד בכוונה.

MiniCPM5-2B, כפי שדווח על ידי היצרן, ממוצע של 53.9 על פני סוללת המבחנים שלו:

• קוד — LiveCodeBench v6 69.1, OJBench 32.5, SWE-bench Verified 46.4.

• מתמטיקה — AIME 2025 86.5, AIME 2026 86.5, MATH-500 94.6.

• ידע — MMLU-Pro 70.8, GPQA-Diamond 70.2.

• הקשר ארוך — AA-LCR 59.0, NoLiMa 68.1, LongBench v2 43.7.

• שימוש בכלים ובסוכנים — τ²-Bench Telecom 97.1, BFCL v4 66.6, BrowseComp-ZH 43.5, GAIA Text-103 88.7.

ZoomGain-4B, לפי דיווח הספק:

• תפיסה, מדד held-in — 55.81 ב-ZoomGainBench לעומת 30.03 של ה-Qwen3.5-4B האב שלו.

• תפיסה, ממוצע על סט שלא נראה באימון — 60.96 על פני עשרה מבחני בנצ'מרק שהאימון מעולם לא ראה, לעומת 54.20 עבור מודל האב. זהו הרווח של 6.76 נקודות שכדאי לצטט.

• מהלכים בודדים שנשמרו להערכה — Visual Probe מ-43.30 ל-57.28, O3-Bench מ-54.20 ל-63.19, HR-Bench 4K מ-81.25 ל-87.25, MME-RealWorld-Lite מ-57.89 ל-61.59.

קרא את שתי הרשימות האלה זו לצד זו וצורת ההחלטה ברורה. MiniCPM5-2B נבחן בשבעה־עשר דברים שחשובים למפתחים ומקבל ציונים מכובדים כמעט בכולם; נתוני τ²-Bench Telecom של 97.1 ו-GAIA Text-103 ב־88.7 הם המספרים הבולטים, ואלה המספרים שהמיצוב שלו נשען עליהם. ZoomGain-4B נבחן בתחום התפיסה וכמעט בשום דבר אחר, והשיפור שהוא מספק — כ־7 נקודות בממוצע, במדדים שלא נראו לפני כן — אמיתי אך צר.

אם צריך משפט אחד: MiniCPM5-2B הוא מודל קטן כללי עם מפרט בנצ'מרקים עמוק באופן יוצא דופן, ו-ZoomGain-4B הוא מומחה שהשיפור הממוצע שלו של שבע נקודות היה בלתי נראה בלוח דירוג כללי, מפני שלוח הדירוג הכללי אינו מכיל את השאלות שבהן הוא טוב.

במקום שבו השניים היו מתקיימים יחד בפועל

עומסי העבודה שבהם שניהם הם התשובה הנכונה חולקים צורה משותפת: מסמך, צילום מסך, תמונה, טופס. משהו צריך להסתכל על התמונה ולחלץ ערך, ומשהו צריך לעשות את כל מה שאחרי זה — לפרסר את הסכימה, לקרוא לכלי הנכון, לאמת, לנסות שוב, ולהפנות לאדם.

החילוץ הוא בצורת ZoomGain. טקסט קטן, חיתוכים הדוקים, תשובה שהיא נכונה או שגויה, ומודל שאומן במפורש על ההבדל בין קריאת תווית בחיתוך לבין קריאת אותה תווית בפריים מלא. המספרים המוחזקים של ZoomGain-4B ב-HR-Bench 4K (81.25 עד 87.25 לאחר אימון) וב-MME-RealWorld-Lite הם בדיוק הפרופיל של מודל שהשתפר בפרטים צפופים בלי להידרדר בכל השאר.

השאר הוא בצורת MiniCPM5, ובשימוש בכלים הוא חזק באופן יוצא דופן ביחס לגודלו — τ²-Bench Telecom עם 97.1 הוא מספר שרוב המודלים הגדולים ממנו פי שלושה אינם מגיעים אליו, ו-BFCL v4 עם 66.6 אומר שהיכולת לקרוא לפונקציות אינה הדגמה.

הרצת שניהם משמעה שתי סביבות ריצה, שני רישיונות ועוד דבר אחד שיכול להישבר. זה גם המקום שבו ראוטר מצדיק את עצמו ולא נשאר סלוגן: קריאת התמונה הולכת לנקודת הקצה של הראייה, סבב קריאת הכלים הולך לנקודת הקצה הטקסטואלית הזולה, ותקיעה באחד מהם עוברת אוטומטית לשני במקום להופיע כ-504 בצינור שלך. מפתח אחד, חשבונית אחת, ולוגיקת המעבר לגיבוי במקום אחד — ולא משוכפלת בשני SDKs.

כדאי להיות מפורשים לגבי מה יש לנו ומה אין לנו. MiniCPM5-2B אינו בקטלוג שלנו היום. אנחנו כן מארחים את משפחת Qwen3.5 — ה-35B-A3B ב-$0.057 לקלט ו-$0.459 לפלט למיליון טוקנים, וה-27B ב-$0.086 ו-$0.688, שניהם מולטימודליים — ומשפחה זו היא הבסיס שממנו אומן ZoomGain-4B, מה שהופך אותה לקירוב המאוחסן הקרוב ביותר אם תרצו לבדוק אם crop-and-ask משפר את הדיוק שלכם לפני שמתחייבים ל-4B בהארחה עצמית. באשר לחלק של הפעלת הכלים, אותו קטלוג נותן לכם משהו שאפשר לקרוא לו כבר היום. מה שאנחנו לא יכולים לעשות הוא לארח את ZoomGain-4B, ושום כמות של ניתוב לא תשנה את זה: זהו קובץ להורדה, לא API.

המשפט הכנה

בחרו ב-MiniCPM5-2B אם אתם רוצים מודל קטן שתוכלו לפרוס השבוע על חומרה שכבר בבעלותכם, בסביבת ריצה שכבר קיימת, עם רישיון Apache 2.0 וגיליון בנצ'מרקים רחב מספיק כדי לחזות כיצד הוא יתנהג. זה המוצר המוגמר מבין השניים. 1.98B הפרמטרים שאינם embedding שלו הופכים אותו לזול לכל טוקן, נתוני קריאת הכלים שלו הם הדבר הטוב ביותר בעמודה שלו, וגרסאות היצרנים של השבבים אומרות שהוא לא הצעה לדאטה-סנטר בלבד.

בחר ב-ZoomGain-4B אם השגיאה הספציפית שאתה מנסה לחסל היא חזותית ועדינה, ואתה מוכן להריץ GPU עם בנייה נישתית של llama.cpp כדי לתקן אותה. הטיעון שלו נשען על מספר אמין אחד — רווח ממוצע של 6.76 נקודות על פני עשרה מדדי תפיסה שנשמרו מחוץ לאימון מתוך 9,000 דגימות אימון — ובנוסף על מדד, נתונים ומסגרת בדיקה שמאפשרים לך לבדוק את הטענה בעצמך במקום לסמוך עליה.

אל תבחר באף אחד מהשניים אם עדיין לא מדדת מה הפייפליין שלך עושה לא נכון. התוצאות החלשות ביותר שפורסמו של MiniCPM5-2B הן בתחום סוכן חיפוש והסקת מסמכים ארוכים (BrowseComp-ZH 43.5, LongBench v2 43.7), ו-ZoomGain-4B מעולם לא נשאל שאלה שלא עסקה בתמונה. לקנות אחד מהשניים כדי לפתור בעיה שלא אפיינת היא הדרך שבה מודלים בני שלושה מיליארד פרמטרים מגיעים לפרודקשן ולא עושים דבר.

המסקנה הלא־זוהרת: שני המודלים אינם יריבים, הם שני שלבים סמוכים של אותה משימה, והסיבה שההשוואה הזו ממשיכה להיות ממוסגרת כמאבק היא שבנצ'מרקים קלים יותר לפרסום מאשר ניידות. MiniCPM5-2B מנצח בעמודה שמתפרסמת. ZoomGain-4B מנצח בעמודה שעדיין לא קיימת, במשימה אחת, בפער של כשבע נקודות, ומגיע עם דרישת ריצה שהייתה עוצרת את רוב הצוותים כבר בפתח.