Kartu judul untuk artikel ZoomGain-4B: judul utama ZoomGain-4B, subjudul yang berbunyi inclusionAI menerbitkan bobot pada 11 November 2026 dan tidak mengumumkan apa pun, serta tiga chip yang berbunyi 4,54B parameter, visi-bahasa, dan Tidak ada API terhosting.
Engineering & Research

ZoomGain-4B Dirilis pada 11 November Tanpa Pengumuman di Baliknya

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Commit pertama di inclusionAI/ZoomGain bertanggal 2026-11-09 pukul 02:13 UTC dan pesannya adalah "Release ZoomGain init." Bobot untuk ZoomGain-4B muncul di Hugging Face pada 2026-11-10 pukul 11:38 UTC. Daftar arXiv, set evaluasi, dan korpus reinforcement learning yang menghasilkannya semuanya bertanggal 2026-11-11, hari yang sama ketika kartu model terakhir disentuh. Yang belum muncul, di mana pun yang bisa saya temukan, adalah posting peluncuran. Tidak ada entri berita di situs inclusionAI, tidak ada pengumuman di profil Hugging Face organisasi selain repositori itu sendiri, tidak ada endpoint yang dihosting, dan tidak ada liputan dari siapa pun. ZoomGain-4B adalah model vision-language yang dibangun dengan reinforcement learning di atas Qwen3.5-4B, dan per pagi ini satu-satunya orang yang tahu model ini ada adalah mereka yang kebetulan melihat daftar repositori. Ini adalah artikel what-the-repo-says: setiap angka di bawah ini entah merupakan stempel waktu yang dapat Anda verifikasi sendiri atau angka yang dicantumkan para penulis di kartu mereka sendiri, dan bagian-bagian yang tidak cukup hanya dengan itu ditandai sebagai demikian.

Bagi pembaca yang ingin tahu bentuk besarnya sebelum masuk ke detail: model ini adalah checkpoint multimodal dengan 4,54 miliar parameter yang menjawab pertanyaan pilihan ganda tentang detail visual halus — teks kecil dalam sebuah foto, jumlah objek dalam scene yang penuh sesak, sebuah atribut yang baru terbaca saat Anda melakukan crop. Klaim para penulis adalah bahwa model visi yang melihat gambar utuh melewatkan detail yang dapat dibacanya dengan baik begitu region yang sama diperbesar, dan bahwa kesenjangan ini dapat diubah menjadi sinyal pelatihan. Mereka kemudian membangun benchmark 1.000 pertanyaan dari mesin yang sama, dan pada benchmark itu 4B yang dilatih mencetak 55,81 berbanding 30,03 untuk model asal pelatihannya. Dua angka itu adalah seluruh inti argumennya, dan keduanya disertai peringatan yang dinyatakan sendiri oleh makalah: benchmark tersebut dibangun dengan pipeline yang sama seperti data pelatihan, yang oleh makalah disebut "held-in".

Apa yang masuk, dan apa yang ditunjukkan stempel waktu

Rilis ini luar biasa lengkap untuk sesuatu yang tidak diumumkan oleh siapa pun. Enam artefak, semuanya dalam jendela 48 jam:

• Makalah ini. "ZoomGain: Menggali Kesenjangan Persepsi Global-ke-Zoom untuk Supervisi Visual Berbutir Halus," arXiv 2611.14076, diserahkan pada 10 November 2026, oleh Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao dan Jianwei Yin. Tujuh penulis, cs.CV dan cs.AI.

• Checkpoint 4B. inclusionAI/ZoomGain-4B, safetensors dalam BF16. Metadata file menghitung 4,539,265,536 parameter. Apache 2.0 untuk kode; kartu menyerahkan ketentuan checkpoint dan dataset ke repositori masing-masing.

• Checkpoint 9B. inclusionAI/ZoomGain-9B, 9,409,813,744 parameter, dibuat empat menit setelah saudara kecilnya.

• Build terkuantisasi. ZoomGain-4B-GGUF dirilis pada 2026-11-11 pukul 03:09 UTC dengan tiga presisi plus proyektor visi yang cocok: Q4_K_M sebesar 2.71 GB, Q8_0 sebesar 4.48 GB, F16 sebesar 8.42 GB, masing-masing dengan mmproj berkas untuk encoder gambar. GGUF 9B menyusul.

• Benchmark tersebut. inclusionAI/ZoomGainBench, 1.000 pertanyaan pada 941 gambar, teks bahasa Inggris dan Tionghoa untuk setiap item, plus jawaban referensi, aturan penilaian, dan kotak pembatas bukti dalam koordinat piksel.

• Data pelatihan. inclusionAI/ZoomGain-RL-Data, 9.000 catatan dan 7.713 gambar sumber dalam Parquet, dengan metadata imbalan yang diharapkan oleh skrip pelatihan.

Kesunyian itu bukan misteri dan bukan sesuatu yang jahat. Itulah yang tampak dari rilis internal sebuah kelompok riset ketika makalahnya sudah muncul di arXiv sebelum ada yang menulis pos blog. Semua tanda-tandanya ada: tiga commit pada pagi 11 November semuanya berjudul "update readme" dengan selisih empat belas menit, repositori GitHub-nya memiliki tiga bintang dan tidak ada kolom deskripsi yang diisi, kedua repositori checkpoint menunjukkan nol unduhan dan nol suka, dan halaman model 4B memuat peringatan tentang metadata YAML yang kosong atau hilang. Tidak satu pun dari itu adalah bukti tentang modelnya. Itu adalah bukti tentang peluncurannya.

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.

Metode ini, dalam tiga langkah

Bagian menarik dari ZoomGain bukanlah modelnya, melainkan bagaimana pertanyaan-pertanyaan itu dibuat. Pipeline ini berjalan dalam tiga tahap dan hanya tahap pertama yang bersifat konvensional.

• Lokasikan target. Beberapa model secara independen menentukan lokasi suatu wilayah yang dijelaskan dalam keseluruhan adegan. Jika hasil mereka sepakat, kesepakatan itulah yang dianggap sebagai potongan yang layak dipertahankan. Menggunakan ketidaksepakatan sebagai filter berarti titik buta satu model saja tidak menentukan kumpulan target.

• Gali bukti. Keterangan untuk wilayah yang sama dibandingkan pada dua tingkat perbesaran. Apa pun yang terungkap dari hasil pangkas tetapi tidak dari gambar utuh dijadikan pertanyaan tentang gambar utuh. Inilah mekanisme yang menghasilkan kesenjangan "global-to-zoom" yang dirujuk judul: pertanyaan itu dapat dijawab, tetapi hanya jika model mampu menguraikan sesuatu di tepi persepsinya.

• Verifikasi dan buat pengecoh. Jawaban diperiksa silang terhadap hasil crop, pertanyaan ambigu dibuang, pertanyaan yang sama sekali dapat dijawab tanpa gambar dibuang, dan pengecoh pilihan ganda dibuat. Ablasi menunjukkan bahwa langkah terakhir ini benar-benar berperan — menghapus pengecoh khusus merugikan 8,96 poin pada benchmark held-in, penurunan tunggal terbesar yang dilaporkan dalam makalah.

Pelatihannya sendiri tidak eksotis. GRPO melalui kerangka EasyR1 yang disertakan, satu epoch, ukuran batch 64, delapan rollout per pertanyaan, yang berarti 140 langkah pada 9.000 catatan. Repositori ini menyertakan smoke test yang menjalankan satu langkah termasuk rollout, reward, dan penyimpanan checkpoint, serta peluncur lengkap untuk kedua ukuran. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1, dan transformers 5.7.0 — semuanya dipatok, yang merupakan perbedaan antara repositori yang mereproduksi dan yang sekadar mendeskripsikan.

Angka yang penting, dan catatan yang membuatnya menyusut

ZoomGainBench sengaja dibuat sulit. Model terkuat di dalamnya adalah GPT-5.6-Sol dengan skor keseluruhan 61,08, dan itu berarti 61,08 dari 100 pada soal pilihan ganda tentang foto. Claude-Opus-5 berada di 59,86, Gemini-3.6-Flash di 59,41. Model visi umum terbuka terbaik dalam tabel, Qwen3.8-Flash-Next dengan 125 miliar parameter, mencapai 55,05. Model berparameter 4 miliar yang dilatih pada 9.000 sampel berada di 55,81 — di atas model generalis 125B, di atas Kimi-K3 dengan 2,8 triliun parameter, dan di atas GLM-5.3-Flash dengan 320 miliar parameter.

Jika angka itu bertahan saat diuji dengan harness independen, itu akan menjadi cerita bulan ini. Namun belum demikian, karena alasan yang secara terus terang diakui oleh makalah tersebut. ZoomGainBench dibangun oleh pipeline yang sama yang menghasilkan data pelatihan, dan tabel ablasi makalah itu sendiri mencantumkannya di bawah kolom berjudul "Held-in." Pertanyaannya bukan pertanyaan pelatihan, tetapi diambil dari distribusi yang sama oleh mesin yang sama. Model yang di-fine-tune pada distribusi itu memiliki keunggulan yang tidak dimiliki model yang dievaluasi secara zero-shot, dan besarnya keunggulan itu persis seperti yang saat ini tidak dapat diukur oleh siapa pun di luar inclusionAI.

Bukti held-out kurang spektakuler dan lebih meyakinkan. Makalah tersebut melaporkan rata-rata pada sepuluh benchmark held-out: 54,20 untuk Qwen3.5-4B yang belum dilatih, 60,96 untuk 4B yang dilatih ZoomGain. Kenaikan rata-rata 6,76 poin pada benchmark yang tidak pernah dilihat oleh pelatihan adalah hasil yang nyata. Hanya saja, itu bukan klaim yang sama dengan mengalahkan model berparameter 2,8 triliun.

Perlu dicatat juga bahwa keunggulannya tidak merata. Membandingkan 4B dengan basisnya sendiri di seluruh tabel utama makalah:

• Peningkatan besar. Visual Probe 43,30 menjadi 57,28. O3-Bench 54,20 menjadi 63,19. Zoom Bench 48,88 menjadi 59,88. HR-Bench 4K 81,25 menjadi 87,25. BabyVision 14,69 menjadi 21,13.

• Peningkatan moderat. MME-RealWorld-Lite 57.89 menjadi 61.59. MMStar 66.80 menjadi 72.53. HR-Bench 8K 77.63 menjadi 83.88. MMVP 57.33 menjadi 61.33.

• Satu regresi. "Tree" gaya TreeBench menunjukkan 49,38 sebelum pelatihan dan 49,14 setelahnya. Penurunan 0,24 poin, masih sepenuhnya dalam rentang noise, tetapi hasil itu ada di dalam tabel, bukan di luarnya, yang merupakan pertanda baik bagi tabel tersebut.

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.

Apa yang benar-benar tidak dikonfirmasi

Empat hal, dan ini lebih penting daripada penyangkalan biasa.

Tidak ada evaluasi independen. Tidak ada satu pun angka pihak ketiga. Angka 55.81, rata-rata 60.96, angka 90.25 yang dicapai 9B pada HR-Bench 4K — semuanya adalah penulis mengukur model mereka sendiri dengan perangkat pengujian mereka sendiri. Itu normal untuk sebuah makalah dan bukan bukti bahwa ada yang salah. Namun itu berarti angka-angka tersebut harus dibaca sebagai klaim.

Tidak ada endpoint yang di-hosting.Tidak satu pun dari kedua checkpoint tersebut mencantumkan penyedia inferensi. Tidak ada API, tidak ada playground, tidak ada daftar tarif. Jika Anda ingin menggunakan model ini dalam sebulan ke depan, Anda harus mengunduh 8,42 GB dan menjalankannya sendiri.

Nama tersebut tidak sesuai dengan jumlah parameter di tiga tempat. Model ini disebut 4B, kartu GGUF menyebut 4B, lencana repositori menyebut 5B, dan total safetensors sebenarnya adalah 4,54B. Tambahan setengah miliar itu adalah encoder visi dan proyektor, yang merupakan penjelasan yang lazim — tetapi kartu yang tidak dapat menjaga satu angka tetap konsisten sejak awal berarti belum diperiksa dengan saksama, dan itu wajar untuk dipertimbangkan ketika Anda memutuskan seberapa besar sisanya dapat dipercaya.

Tidak ada pernyataan niat. Akankah ada 30B? Versi yang dihosting? V2 dengan held-out benchmark? Tidak ada yang menyebutkannya di repositori. Log pembaruan README mencantumkan tiga baris, semuanya bertanggal 2026.11.11, semuanya menjelaskan apa yang telah dirilis, bukan apa yang akan datang.

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.

Menjalankannya, hari ini, tanpa vendor

Jalur GGUF adalah pilihan yang praktis dan memiliki prasyarat mutlak: Anda memerlukan build llama.cpp dengan dukungan multimodal Q​wen3.5. Kartu ini menjelaskan secara eksplisit bahwa model bahasa dan mmproj proyektor adalah file terpisah dan bahwa input gambar memerlukan keduanya. Contoh CLI meneruskan -m untuk model, --mmproj untuk proyektor, --image untuk gambar dan berjalan pada suhu 0 dengan thinking dinonaktifkan, yang juga merupakan default harness evaluasi. llama-server bekerja dengan cara yang sama pada port 8080. Pada Q4_K_M Anda memegang 2,71 GB model bahasa plus proyektor, yang muat dengan nyaman di laptop; pada F16 Anda berada di 8,42 GB plus proyektor, yang berarti workstation atau satu GPU kelas menengah.

Untuk penggunaan dalam skala besar, vLLM 0.19.1 dengan transformers 5.7.0 adalah stack yang didukung, dan skrip evaluasi milik repositori itu sendiri menerima MODEL_PATH, GPUS daftar dan LANGUAGE switch yang menjalankan hanya bahasa Inggris, hanya bahasa Tionghoa, atau keduanya untuk 2.000 tugas. Itu cukup sebagai kerangka untuk mereproduksi angka yang dilaporkan di perangkat keras Anda sendiri, yang lebih dari yang ditawarkan sebagian besar rilis senyap.

Jika Anda lebih memilih untuk tidak menyiapkan GPU hanya untuk mengetahui apakah pendekatan ini layak, langkah sementara yang jujur adalah membuat prototipe loop crop-and-ask terhadap model visi terkelola yang bisa Anda panggil hari ini. Katalog kami memuat Qwen3-VL-8B dengan harga $0,18 untuk input dan $0,70 untuk output per juta token, serta lini Q​wen3.5 dari qwen3.5-35b-a3b mulai dari $0,057 dan $0,459 ke atas — satu kunci, tanpa kontrak per vendor, dan aturan routing yang beralih ke model kedua jika model pertama macet. ZoomGain-4B sendiri tidak ada di katalog kami dan saya tidak akan berpura-pura sebaliknya; inti dari pengalihan ke model terkelola ini adalah untuk memastikan apakah pertanyaan detail-halus memang hal yang selama ini salah ditangani produk Anda, sebelum Anda menghabiskan seminggu untuk 4B yang di-host sendiri yang hanya menjawabnya lebih baik daripada model induknya sendiri.

Apa yang akan mengubah ini dari sekadar keingintahuan menjadi keputusan

Tiga sinyal, diurutkan berdasarkan seberapa banyak informasi yang dapat diberikannya kepada Anda. Pertama, eksekusi independen ZoomGainBench oleh pihak yang tidak berkepentingan terhadap pipeline — benchmark-nya publik, harness-nya ada di repositori, dan hambatan masuknya hanyalah GPU dan waktu satu sore, jadi ini kemungkinan terjadi sebelum yang lainnya. Kedua, ekstensi held-out: jika penulis menjawab keberatan yang jelas dengan mengevaluasi pada benchmark yang tidak mereka ikut membangunnya, 55.81 berhenti menjadi angka tentang set uji mereka sendiri. Ketiga, deployment yang dihosting, yang akan memberi tahu Anda bahwa bobotnya benar-benar dapat dilayani pada latensi yang dapat diterima, bukan sekadar dapat diunduh.

Sampai salah satu dari itu terwujud, deskripsi yang tepat untuk ZoomGain-4B bukanlah "model visi kecil mengalahkan model terdepan". Melainkan: sebuah kelompok riset menerbitkan resep pelatihan yang meningkatkan model visi 4B sebesar 6,76 poin secara rata-rata pada sepuluh tolok ukur yang tidak digunakan untuk pelatihannya, dan sekaligus menerbitkan tolok ukur yang menunjukkan trik yang sama menghasilkan angka yang jauh lebih besar pada pertanyaan yang dibuat dengan cara yang sama. Paruh pertama adalah temuan. Paruh kedua adalah pemasaran, dan itu datang tanpa siaran pers, yang setidaknya merupakan urutan yang menyegarkan bagi kemunculan kedua hal itu.