ZoomGain-9B Dirilis Tanpa Pengumuman: Apa yang Sebenarnya Dikatakan Repositori

Makalah itu muncul di arXiv pada 10 November 2026. Repositori GitHub dibuat sehari sebelumnya, pada 9 November, dan commit pertamanya berjudul "Release ZoomGain init". Bobotnya muncul di Hugging Face pada 10 November pukul 11.42 UTC, diikuti repositori GGUF pada 11 November pukul 03.16. Tidak ada pos blog peluncuran, tidak ada pengumuman vendor, tidak ada endpoint yang dihosting, dan tidak ada tag lisensi pada repositori checkpoint itu sendiri. Itulah seluruh catatan publik untuk ZoomGain-9B, model visi-bahasa berparameter 9,4 miliar dari inclusionAI, unit model terbuka Ant Group, dan itulah sebabnya tulisan ini disusun sebagai pembacaan repositori alih-alih cerita peluncuran.

Yang membuatnya layak diperhatikan bukanlah sifat senyapnya. Melainkan bahwa repositori ini luar biasa lengkap untuk sesuatu yang tidak diumumkan siapa pun: makalah, tolok ukur 1.000 pertanyaan, kumpulan data pembelajaran penguatan berisi 9.000 catatan, evaluator, peluncur pelatihan, dua checkpoint pada 4B dan 9B, serta tiga kuantisasi GGUF semuanya muncul dalam waktu sekitar dua hari. Anda dapat membaca metodenya, menjalankan ulang evaluasinya, dan mereproduksi pelatihannya hari ini. Satu-satunya yang hilang adalah seseorang dari perusahaan yang mengatakan bahwa itu ada.

Apa yang sebenarnya terwujud, secara berurutan

• 9 November 2026 — repositori GitHub inclusionAI dibuat. Repositori ini menyertakan lisensi Apache 2.0 serta kode konstruksi data dan pelatihan, bukan bobotnya.

• 10 November 2026 — arXiv:2611.14076v1, "ZoomGain: Menggali Kesenjangan Persepsi Global-ke-Zoom untuk Supervisi Visual Berbutir Halus", oleh Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao, dan Jianwei Yin, dengan afiliasi di Ant Group, Zhejiang University, Om AI Research, dan Binjiang Institute.

• 10 November 2026, 11:42 UTC — inclusionAI/ZoomGain-9B dan inclusionAI/ZoomGain-4B dibuat di Hub, masing-masing dengan satu file safetensors BF16 berukuran 18,82 GB dan 9,08 GB.

• 11 November 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF muncul dengan build Q4_K_M, Q8_0, dan F16 plus file proyektor mmproj yang cocok, yang merupakan langkah yang mengubah checkpoint penelitian menjadi sesuatu yang bisa dicoba oleh laptop.

Detail kecil yang layak dicatat karena justru inilah hal yang tidak dihasilkan oleh peluncuran terkoordinasi: bagian "Updates" pada kartu model itu sendiri mencantumkan tanggal paper, benchmark, dataset, dan checkpoint semuanya sebagai 2026.11.11, sementara stempel waktu pembuatan repositori dan tanggal pengiriman ke arXiv sama-sama menyebut 10 November. Kartu itu ditulis setelah kejadian, dalam sekali jalan, oleh seseorang yang merapikan.

Idenya, dalam satu paragraf, karena ini benar-benar satu ide.

Sebuah model visi sering kali dapat menjawab pertanyaan tentang suatu area dalam gambar yang gagal dijawabnya ketika area yang sama muncul di dalam bingkai keseluruhan. Para penulis menyebutnya kesenjangan persepsi global-ke-zoom, dan mereka mengubahnya menjadi supervisi. Tahap satu: beberapa model secara independen melokalisasi target yang dijelaskan dalam adegan penuh, dan kesepakatan mereka mengidentifikasi area untuk dipotong. Tahap dua: keterangan pada potongan dan keterangan pada adegan penuh dibandingkan, dan detail apa pun yang terungkap oleh potongan tetapi tidak oleh tampilan penuh menjadi pertanyaan yang diajukan tentang gambar asli. Tahap tiga: jawaban diperiksa ulang pada potongan, pertanyaan ambigu dan pertanyaan yang dapat dijawab dari prior bahasa disaring, dan distraktor yang masuk akal dibuat untuk format pilihan ganda.

Pelatihan menggunakan GRPO pada 9.000 catatan yang dibangun dari 7.713 gambar sumber — satu epoch, ukuran batch 64, delapan rollout per pertanyaan — dengan kode EasyR1 yang disertakan. Evaluasi secara default menggunakan temperature 0 dengan thinking Q​wen3.5 dinonaktifkan, dan pertanyaan OCR serta penghitungan tetap terbuka, sedangkan pertanyaan atribut menjadi pilihan ganda. Tidak ada yang luar biasa dari semua itu; yang luar biasa adalah bahwa pipeline yang menghasilkan data pelatihan juga menghasilkan benchmark, dan makalahnya menyatakan itu secara eksplisit.

Dua bilangan yang bukan bilangan yang sama

Pada ZoomGainBench — tolok ukur 1.000 pertanyaan, 941 gambar, berbahasa Inggris dan Tionghoa yang dibangun oleh pipeline yang sama — ZoomGain-9B memperoleh skor 55,48. Model dasarnya, Qwen3.5-9B, memperoleh skor 32,13. Itu adalah lompatan 23,35 poin pada tolok ukur yang darinya data pelatihan model itu sendiri ditambang, dan makalah tersebut memberi label "Held-in" pada kolom itu justru karena alasan tersebut.

Angka yang perlu dibawa ke dalam pengambilan keputusan adalah rata-rata atas tiga belas benchmark yang tidak pernah disentuh oleh pelatihan, yang mengecualikan ZoomGainBench: 66,10 untuk ZoomGain-9B dibandingkan 59,75 untuk Qwen3.5-9B. Kenaikan rata-rata 6,35 poin dari 9.000 sampel adalah hasil yang solid dan meyakinkan. Kedua angka itu nyata. Keduanya menjawab pertanyaan yang berbeda, dan halaman mana pun yang mengutip 55,48 tanpa menyebut "held-in" hanya memberi tahu Anda separuh ceritanya.

Ada keanehan kedua dalam tabel yang sama yang sepertinya belum disadari siapa pun: saudara yang lebih kecil mengalahkan 9B pada benchmark held-in. ZoomGain-4B mencetak 55,81 pada ZoomGainBench berbanding 55,48 milik 9B, tetapi kalah pada rata-rata held-out, 63,96 berbanding 66,10. Pada benchmark yang dibangun dari distribusi pelatihan, keduanya setara dalam batas noise; begitu Anda keluar dari distribusi itu, ukuran kembali menunjukkan pengaruhnya. Jika Anda memilih di antara keduanya berdasarkan satu angka utama saja, Anda akan memilih yang salah.

Apa yang dibeli oleh 9.000 sampel, benchmark demi benchmark

Semua angka berikut adalah angka yang dilaporkan penulis dari Tabel 3 dalam makalah, dijalankan oleh harness milik penulis sendiri pada evaluator yang dirilis, dan tidak direproduksi secara independen oleh siapa pun:

• HR-Bench 4K — 90,25, naik dari 82,13. Ini adalah angka yang menjadi pembuka abstrak, dan merupakan klaim terkuat dalam rilis ini.

• V*Bench — 93.19, naik dari 86.91. Deteksi objek kecil pada resolusi tinggi.

• VisualProbe — 56,31, naik dari 44,66. Peningkatan relatif terbesar di luar benchmark held-in.

• O3-Bench — 68,12, naik dari 56,52. Persepsi dan penalaran multi-langkah.

• MMVP — 70,00, naik dari 60,00. Uji klasik gambar berpasangan yang berbeda dalam satu detail.

• MMStar — 73.87, naik dari 71.73. Kompetensi multimodal umum, dan peningkatan terkecil dari kumpulan ini.

• BabyVision — 17,53, naik dari 15,98. Masih mendekati batas bawah, dan menjadi pengingat berguna bahwa peningkatan terkonsentrasi pada keluarga detail halus, bukan tersebar merata.

Jika dibaca bersama, pola tersebut konsisten dengan metode itu, bukan dengan lonjakan kemampuan secara umum: delta terbesar terdapat pada benchmark yang memberi imbalan atas kemampuan menemukan hal kecil dalam bingkai besar, dan delta terkecil terdapat pada benchmark yang memberi imbalan atas pengetahuan dunia yang luas serta penalaran visual biasa. Itulah yang seharusnya tampak dari proses RL bertarget pada 9.000 pertanyaan detail yang dipotong.

Apa yang dapat diketahui, apa yang diklaim, dan apa yang sama sekali belum dikonfirmasi

Dapat diketahui dari repositori, hari ini, tanpa perlu percaya kata orang lain: arsitekturnya, karena konfigurasinya publik dan mengidentifikasi trunk teks Qwen3.5-9B dengan 32 lapisan, ukuran tersembunyi 4.096, intermediate 12.288, dan 262.144 posisi maksimum, yang dibungkus dalam menara visi; data pelatihannya, karena Parquet berisi 9.000 catatan dan gambar sumbernya disertakan sebagai dataset; metodenya, karena prompt-nya ada di lampiran makalah; dan evaluasinya, karena evaluator, anotasi, dan gambarnya semuanya dapat diunduh.

Diklaim tetapi belum dikonfirmasi: setiap skor benchmark di atas. Makalah tersebut melaporkannya pada harness yang telah dirilis, yang membuatnya lebih mudah diperiksa daripada sebagian besar tabel vendor — Anda dapat menjalankannya ulang — tetapi belum ada orang di luar daftar penulis yang melakukannya, dan belum ada laboratorium independen yang menerbitkan hasil ZoomGain-9B.

Sama sekali belum dikonfirmasi, dan ini perlu dikatakan dengan blak-blakan:

• Lisensi checkpoint. Kodenya Apache 2.0 dan kartu menyatakan demikian. Kartu tersebut kemudian menyerahkan ketentuan model dan dataset kepada "kartu-kartu Hugging Face untuk ketentuan setiap dataset dan checkpoint", dan repositori checkpoint tidak mencantumkan tag lisensi dalam metadata Hub-nya. Itu adalah celah yang harus ditutup dengan membaca berkas-berkasnya sebelum Anda merilis, bukan janji yang dapat Anda andalkan.

• Panjang konteks. Kartu model tidak menyebutkannya. Maksimum 262.144 posisi dalam konfigurasi diwarisi dari trunk Qwen3.5-9B, yang tidak sama dengan properti yang telah diuji dari checkpoint pasca-pelatihan, dan setiap evaluasi dalam makalah menggunakan satu gambar dengan thinking dinonaktifkan.

• Perilaku asisten secara umum. Tidak ada pengujian rilis untuk chat, pemanggilan alat, generasi panjang, atau penggunaan multi-turn. Model dilatih untuk menjawab pertanyaan tentang foto, dan itu satu-satunya kemampuan yang didukung bukti.

• Host apa pun. Pemetaan penyedia Hub untuk repositori tersebut kosong. Tidak ada API vendor dan tidak ada endpoint pihak ketiga yang tercantum, jadi "coba saja" saat ini berarti "unduh 18,82 GB".

Menjalankannya minggu ini, kalau kamu mau

Jalur GGUF adalah pilihan yang murah: build Q4_K_M sebesar 5,63 GB plus proyektor mmproj 0,52 GB, atau 9,53 GB pada Q8_0, atau 17,92 GB pada F16. Masukan gambar memerlukan kedua file — proyektor bukan opsional, dan build llama.cpp dengan dukungan multimodal Qwen3.5 adalah prasyarat. Jalur referensi lebih berat tetapi dokumentasinya lebih baik: vLLM 0.19.1 dengan transformers 5.7.0, tepat versi yang digunakan para penulis saat evaluasi, pada checkpoint BF16 yang setidaknya membutuhkan kartu 24 GB dan ruang cadangan yang lapang di atas itu.

Ada baiknya menyisihkan anggaran untuk protokol evaluasi sekaligus bobotnya. Para penulis menjalankan pada temperature 0 dengan thinking dinonaktifkan dan memberi skor pertanyaan atribut dengan exact match pada opsi yang dipilih, menghitung dengan exact match pada bilangan bulat yang diprediksi, dan OCR dengan ANLS dengan ambang bawah 0,7. Jika Anda mengevaluasi dengan thinking aktif, atau dengan templat prompt yang berbeda, Anda mengukur sesuatu yang tidak dilaporkan para penulis dan tidak semestinya mengharapkan angka mereka dapat dialihkan.

OrcaRouter tidak menghosting ZoomGain-9B, dan artikel ini tidak akan berpura-pura sebaliknya. Yang kami miliki adalah satu kunci untuk lebih dari 200 model dengan harga daftar penyedia tanpa tambahan markup, yang penting di sini untuk alasan yang spesifik dan praktis: cara tercepat untuk mengetahui apakah kesalahan pipeline Anda adalah kesalahan detail halus adalah menjalankan gambar yang sama melalui model visi yang dihosting dan membandingkan kasus kegagalannya. Qwen3-VL-8B-Instruct di katalog kami berharga $0,18 per juta token input dan $0,70 per juta token output pada konteks 131K, menerima gambar dan video, dan tidak akan menandingi model yang dilatih dengan pertanyaan yang ditambang dari crop — tetapi model ini akan memberi tahu Anda dalam satu sore apakah GPU layak dibeli.

Apa yang akan mengubah cerita ini

Empat hal, dalam urutan menaik berdasarkan seberapa besar dampaknya. Pengumuman dari inclusionAI, yang akan mengubah pembacaan repositori menjadi peluncuran dan kemungkinan disertai klarifikasi lisensi. Tag lisensi checkpoint, yang akan menyelesaikan satu pertanyaan yang saat ini menghambat adopsi komersial. Endpoint yang dihosting, yang akan menghilangkan hambatan 18.82 GB bagi semua orang yang tidak memiliki perangkat kerasnya. Dan evaluasi independen, yang merupakan hal yang benar-benar akan mengubah keadaan: klaim bahwa model 9B mencapai 90.25 pada HR-Bench 4K adalah jenis angka yang entah bertahan di lab kedua atau diam-diam hilang.

Sampai saat itu, ringkasan jujurnya adalah bahwa ZoomGain-9B merupakan rilis penelitian yang terdokumentasi baik dengan metode yang mudah dipahami, harness yang dapat direproduksi, pembagian held-in/held-out yang luar biasa jujur, dan tidak ada pihak ketiga yang mendukungnya. Itu lebih dari yang ditawarkan sebagian besar rilis senyap, tetapi kurang dari sebuah produk.