ZoomGain-9B שוחרר ללא הודעה: מה המאגר באמת אומר

המאמר עלה ל- arXiv ב-10 בנובמבר 2026. מאגר ה-GitHub נוצר יום קודם לכן, ב-9 בנובמבר, וה-commit הראשון שלו נקרא "Release ZoomGain init". המשקלים הופיעו ב-Hugging Face ב-10 בנובמבר בשעה 11:42 UTC, ולאחריהם מאגר GGUF ב-11 בנובמבר בשעה 03:16. אין פוסט בלוג השקה, אין הכרזת ספק, אין endpoint מתארח, ואין תג רישיון במאגר ה-checkpoint עצמו. זהו כל התיעוד הציבורי של ZoomGain-9B, מודל חזותי-לשוני בעל 9.4 מיליארד פרמטרים מבית inclusionAI, הזרוע למודלים פתוחים של Ant Group, וזו הסיבה שמאמר זה נכתב כקריאה של מאגר ולא כסיפור השקה.

מה שהופך את זה לראוי לתשומת לב הוא לא החמקנות. זה שהמאגר שלם באופן יוצא דופן עבור משהו שאיש לא הכריז עליו: המאמר, מבחן ה-1,000 שאלות, מערך הנתונים של למידת חיזוק עם 9,000 רשומות, המעריך, משגר האימון, שני צ'קפוינטים בגודל 4B ו-9B, ושלוש קוונטיזציות GGUF — כולם נחתו בתוך יומיים בערך. אפשר לקרוא את השיטה, להריץ מחדש את ההערכה ולשחזר את האימון היום. הדבר היחיד שחסר הוא מישהו מהחברה שיאמר שזה קיים.

מה שבאמת נחת, לפי הסדר

• 9 בנובמבר 2026 — מאגר ה-GitHub של inclusionAI נוצר. הוא נושא את רישיון Apache 2.0 ואת קוד בניית הנתונים והאימון, ולא את המשקלים.

• 10 בנובמבר 2026 — arXiv:2611.14076v1, "ZoomGain: כריית פערי תפיסה מן הכלל אל הזום עבור פיקוח חזותי ברזולוציה עדינה", מאת Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao ו-Jianwei Yin, עם השתייכות ל-Ant Group, אוניברסיטת ג'ג'יאנג, Om AI Research ומכון בינג'יאנג.

• 10 בנובמבר 2026, 11:42 UTC — inclusionAI/ZoomGain-9B ו-inclusionAI/ZoomGain-4B נוצרים ב-Hub, כאשר לכל אחד קובץ safetensors יחיד מסוג BF16 בגודל 18.82 GB ו-9.08 GB בהתאמה.

• 11 בנובמבר 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF מופיע עם בניות Q4_K_M, Q8_0 ו-F16 וכן קבצי מקרן mmproj תואמים, וזהו הצעד שהופך צ'קפוינט מחקרי למשהו שמחשב נייד יכול לנסות.

פרט קטן שראוי לציון, משום שזה בדיוק מסוג הדברים ששיגור מתואם אינו מייצר: סעיף "עדכונים" של כרטיס המודל מתארך את המאמר, את הבנצ'מרק, את מערך הנתונים ואת נקודות השמירה כולם ל-2026.11.11, בעוד שחותמת הזמן של יצירת המאגר ותאריך ההגשה ל-arXiv שניהם מציינים 10 בנובמבר. הכרטיס נכתב בדיעבד, במעבר אחד, בידי מישהו שסידר את הדברים.

הרעיון, בפסקה אחת, כי הוא באמת רעיון אחד.

מודל ראייה יכול לעיתים קרובות לענות על שאלה בנוגע לאזור בתמונה שבו הוא נכשל כאשר אותו אזור מופיע בתוך המסגרת המלאה. המחברים מכנים זאת הפער התפיסתי מגלובלי לזום, והופכים אותו לפיקוח. שלב ראשון: כמה מודלים מאתרים באופן עצמאי מטרה המתוארת בסצנה המלאה, וההסכמה ביניהם מזהה אזור לחיתוך. שלב שני: כיתובים של החיתוך וכיתובים של הסצנה המלאה מושווים, וכל פרט שהחיתוך חושף אך המבט המלא אינו חושף הופך לשאלה שנשאלת על התמונה המקורית. שלב שלישי: התשובות נבדקות מחדש על החיתוך, שאלות דו-משמעותיות ושאלות שניתן לענות עליהן מתוך ידע מוקדם לשוני מסוננות, ונוצרים מסיחים סבירים עבור פורמט הבחירה מרובה.

האימון הוא GRPO על 9,000 רשומות שנבנו מ-7,713 תמונות מקור — אפוק אחד, גודל באצ' 64, שמונה רולאאוטים לכל שאלה — באמצעות קוד EasyR1 המצורף. ברירת המחדל של ההערכה היא טמפרטורה 0 כאשר החשיבה של Qwen3.5 מושבתת, ושאלות OCR וספירה נשארות פתוחות בעוד ששאלות מאפיינים הופכות לשאלות רב-ברירה. אין בכך שום דבר יוצא דופן כשלעצמו; מה שיוצא דופן הוא שהצינור שיצר את נתוני האימון יצר גם את הבנצ'מרק, והמאמר מפורש לגבי כך.

שני מספרים שאינם אותו מספר

ב{{1}}ZoomGainBench{{/1}} — {{2}}בנצ'מרק בן 1,000 שאלות ו-941 תמונות באנגלית ובסינית{{/2}} שנבנה על ידי {{3}}אותו פייפליין{{/3}} — {{4}}ZoomGain-9B{{/4}} משיג ציון {{5}}55.48{{/5}}. מודל הבסיס שלו, {{6}}Qwen3.5-9B{{/6}}, משיג {{7}}32.13{{/7}}. זו {{8}}קפיצה של 23.35 נקודות{{/8}} בבנצ'מרק {{9}}שנתוני האימון של המודל עצמו נכרו ממנו{{/9}}, והמאמר מתייג את העמודה "{{10}}Held-in{{/10}}" בדיוק מהסיבה הזו.

המספר שכדאי לקחת איתכם להחלטה הוא הממוצע על פני שלושה-עשר מבחנים שהאימון מעולם לא נגע בהם, וזה למעט ZoomGainBench: 66.10 עבור ZoomGain-9B לעומת 59.75 עבור Qwen3.5-9B. שיפור ממוצע של 6.35 נקודות מ-9,000 דגימות הוא תוצאה מוצקה ואמינה. שני המספרים אמיתיים. הם עונים על שאלות שונות, וכל עמוד שמצטט 55.48 בלי לומר "held-in" מספר לכם רק חצי מהתמונה.

יש מוזרות שנייה באותה טבלה שאיש עדיין לא שם לב אליה: האח הקטן מנצח את ה-9B במבחן ה-held-in. ‏ZoomGain-4B משיג 55.81 ב-ZoomGainBench לעומת 55.48 של ה-9B, בעוד שממוצע ה-held-out שלו הוא 63.96 לעומת 66.10. במבחן שנבנה מהתפלגות האימון השניים שווים בגבולות הרעש; ברגע שיוצאים מהתפלגות הזו, הגודל שב ומכריע. אילו הייתם בוחרים ביניהם על סמך נתון כותרת בודד, הייתם בוחרים בדגם הלא נכון.

מה קנו 9,000 דגימות, מבחן אחר מבחן

כל המספרים הבאים הם מספרים שדווחו על ידי המחברים מתוך טבלה 3 של המאמר, שהופקו באמצעות מערכת ההרצה של המחברים עצמם על גבי המעריך שפורסם, ולא שוחזרו באופן בלתי תלוי על ידי איש:

• HR-Bench 4K — 90.25, עלייה מ-82.13. זהו המספר שאיתו נפתח התקציר, וזו הטענה החזקה ביותר בהודעה לעיתונות.

• V*Bench — 93.19, עלייה מ-86.91. זיהוי עצמים קטנים ברזולוציה גבוהה.

• VisualProbe — 56.31, עלייה מ-44.66. הרווח היחסי הגדול ביותר מחוץ לבנצ'מרק ה-held-in.

• O3-Bench — 68.12, עלייה מ-56.52. תפיסה והסקה רב-שלביות.

• {{1}}MMVP{{/1}} — 70.00, עלייה מ-60.00. המבחן הקלאסי של תמונות מזווגות שנבדלות בפרט אחד.

• MMStar — 73.87, עלייה מ-71.73. יכולת מולטימודלית כללית, והרווח הקטן ביותר בקבוצה.

• BabyVision — 17.53, עלייה מ־15.98. עדיין קרוב לרצפה, ותזכורת שימושית שהשיפורים מרוכזים במשפחת הפרטים הדקים ולא מפוזרים באופן אחיד.

כשקוראים אותם יחד, הדפוס תואם את השיטה ולא קפיצה כללית ביכולות: הפערים הגדולים ביותר נמצאים במבחנים שמתגמלים מציאת דבר קטן במסגרת גדולה, והקטנים ביותר נמצאים במבחנים שמתגמלים ידע עולם רחב והיסק חזותי רגיל. כך אמורה להיראות ריצת RL ממוקדת על 9,000 שאלות על פרטים חתוכים.

מה שאפשר לדעת, מה שנטען, ומה שפשוט לא מאומת

ניתן לדעת מהמאגר, היום, בלי להסתמך על דברי איש: את הארכיטקטורה, מפני שהקונפיגורציה פומבית ומזהה גזע טקסטואלי Qwen3.5-9B עם 32 שכבות, גודל מוסתר 4,096, גודל ביניים 12,288 ו-262,144 מיקומים מקסימליים, עטוף במגדל חזותי; את נתוני האימון, מפני שקובץ ה-Parquet בן 9,000 הרשומות ותמונות המקור מסופקים כמערך נתונים; את השיטה, מפני שההנחיות נמצאות בנספח המאמר; ואת ההערכה, מפני שהמעריך, התיוגים והתמונות כולם ניתנים להורדה.

נטען אך לא אומת: כל ציוני הבנצ'מרק שלעיל. המאמר מדווח עליהם על גבי ההרנס שפורסם, מה שהופך אותם לניתנים לבדיקה יותר מרוב טבלאות הספקים — אפשר להריץ אותם מחדש — אך איש מחוץ לרשימת המחברים לא עשה זאת עדיין, ואף מעבדה עצמאית לא פרסמה תוצאה של ZoomGain-9B.

ממש לא מאושר, וכדאי להיות ישירים לגבי זה:

• רישיון ה־checkpoint. הקוד הוא ברישיון Apache 2.0, והכרטיס מצהיר על כך. לאחר מכן הכרטיס מפנה את תנאי המודל ומערכי הנתונים אל "כרטיסי Hugging Face לתנאים של כל מערך נתונים ו־checkpoint", ומאגר ה־checkpoint אינו נושא תג רישיון במטא־נתונים שלו ב־Hub. זהו פער שיש לסגור בקריאת הקבצים לפני ההפצה — לא הבטחה שאפשר להסתמך עליה.

• אורך ההקשר. הכרטיס אינו מציין דבר. 262,144 המיקומים המקסימליים בתצורה עוברים בירושה מהשלד של Qwen3.5-9B, וזה אינו זהה לתכונה שנבדקה של צ'ק פוינט לאחר אימון, וכל הערכה במאמר היא תמונה בודדת כשהחשיבה מושבתת.

• התנהגות כללית של עוזר. דבר בבדיקות השחרור לא נוגע לצ'אט, לקריאה לכלים, ליצירה ארוכה או לשימוש רב-תורי. המודל אומן לענות על שאלות درباره תצלומים, וזו היכולת היחידה שיש לה ראיות מאחוריה.

• כל מארח. מיפוי הספקים של Hub עבור המאגר ריק. אין API של ספק ואין נקודת קצה של צד שלישי ברשימה, כך ש"נסה את זה" כרגע משמעו "הורד 18.82 GB".

אני מריץ את זה השבוע, אם אתה רוצה

מסלול ה-GGUF הוא הזול: בנייה של Q4_K_M בנפח 5.63 GB בתוספת פרויקטור mmproj בנפח 0.52 GB, או 9.53 GB ב-Q8_0, או 17.92 GB ב-F16. קלט תמונה מחייב את שני הקבצים — הפרויקטור אינו אופציונלי, ובנייה של llama.cpp עם תמיכה מולטימודלית ב-Qwen3.5 היא תנאי מוקדם. מסלול הייחוס כבד יותר אך מתועד טוב יותר: vLLM 0.19.1 עם transformers 5.7.0, בדיוק הגרסאות שבהן השתמשו המחברים להערכה, על צ'קפוינט BF16 שדורש כרטיס של 24 GB לכל הפחות ומרווח נוח מעל לכך.

כדאי לתקצב גם את פרוטוקול ההערכה וגם את המשקלים. המחברים מריצים בטמפרטורה 0 עם חשיבה מושבתת, ומדרגים שאלות מאפיינים לפי התאמה מדויקת לאפשרות שנבחרה, ספירה לפי התאמה מדויקת למספר השלם החזוי, ו-OCR לפי ANLS עם סף תחתון של 0.7. אם תעריכו עם חשיבה מופעלת, או עם תבנית פרומפט אחרת, אתם מודדים משהו שהמחברים לא דיווחו עליו ולא כדאי לצפות שהמספרים שלהם יעברו.

OrcaRouter אינה מארחת את ZoomGain-9B, והטקסט הזה לא יעמיד פנים אחרת. מה שכן יש לנו הוא מפתח אחד ליותר מ-200 מודלים במחיר המחירון של הספק, בלי שום תוספת רווח, וזה חשוב כאן מסיבה ספציפית ומעשית: הדרך המהירה ביותר לגלות אם השגיאות בצינור שלכם הן שגיאות של פרטים דקים היא להריץ את אותן תמונות דרך מודל ראייה מתארח ולהשוות את מקרי הכשל. Qwen3-VL-8B-Instruct בקטלוג שלנו עולה 0.18 דולר למיליון טוקני קלט ו-0.70 דולר למיליון טוקני פלט בהקשר של 131K, מקבל תמונות ווידאו, ולא ישתווה למודל שאומן על שאלות שנגזרו מחיתוכים — אבל הוא יגיד לכם בתוך אחר צהריים אחד אם שווה לקנות את ה-GPU.

מה היה משנה את הסיפור הזה?

ארבעה דברים, בסדר עולה של מידת חשיבותם. הכרזה של inclusionAI, שתהפוך קריאה של מאגר להשקה וכנראה תגיע עם הבהרת רישיון. תג רישיון של צ'קפוינט, שיכריע בשאלה האחת שמעכבת כיום אימוץ מסחרי. נקודת קצה מתארחת, שתסיר את מחסום 18.82 GB עבור כל מי שאינו מחזיק בחומרה. והערכה בלתי תלויה, שהיא זו שבאמת תזיז את המחט: הטענה שמודל 9B מגיע ל-90.25 ב-HR-Bench 4K היא מסוג המספרים שאו ששורדים מעבדה שנייה או שנעלמים בשקט.

עד אז, הסיכום הכנה הוא ש-ZoomGain-9B הוא מהדורת מחקר מתועדת היטב עם שיטה קריאה, רתמה ניתנת לשחזור, פיצול held-in/held-out כן באופן יוצא דופן, ואין צד שלישי שעומד מאחורי דבר מזה. זה יותר ממה שרוב השחרורים השקטים מציעים, ופחות ממוצר.