ZwZ2-4B Dirilis Tanpa Peluncuran: Apa yang Dikatakan Kartu Model dan Apa yang Tidak

Repositori ZwZ2-4B ini dibuat pada 15 Oktober 2026 pukul 06:11 UTC dan, per pagi ini, memiliki nol unduhan dan nol suka. Itu bukan hal yang aneh untuk sebuah checkpoint yang belum diumumkan siapa pun. Yang tidak biasa adalah bahwa repositori ini juga memuat kartu model yang lengkap: bagian metode, deskripsi data pelatihan, blok quickstart, dan hasil utama yang mengklaim 25 benchmark dan peningkatan 5,38 poin dibandingkan Qwen3.5-4B, model yang menjadi dasar fine-tuning-nya. inclusionAI telah menerbitkan dokumentasi tanpa menerbitkan pengumumannya. Kartunya ada; siaran persnya tidak; dan perbedaan antara kedua hal itu adalah keseluruhan cerita dari checkpoint ini.

Tulisan ini sengaja membatasi diri soal apa yang akan dinyatakannya. Semua hal di bawah yang ditandai sebagai fakta repositori dibaca langsung dari berkas — konfigurasi, indeks bobot, entri dataset, kartu itu sendiri. Semua hal yang ditandai sebagai klaim vendor adalah angka inclusionAI sendiri, disajikan ulang sebagai klaim dan bukan sebagai hasil. Tidak ada evaluasi independen atas ZwZ2-4B yang ada, dan siapa pun yang mengatakan sebaliknya sedang membacakan kartu itu kembali kepada Anda.

Apa yang sebenarnya mendarat, pada tanggal-tanggal apa

Keluarga ZwZ2 hadir dalam rentang sekitar dua puluh tiga setengah jam, dalam urutan ukuran terbalik. ZwZ2-4B datang lebih dulu, pada 15 Oktober pukul 06:11 UTC. ZwZ2-9B menyusul pada 16 Oktober pukul 03:42. ZwZ2-27B menutup rangkaian pada pukul 05:42 pagi yang sama. Dataset pelatihan, inclusionAI/ZwZ2-RL-VQA, muncul tiga hari kemudian pada 19 Oktober. Ketiga repositori, dataset, dan koleksi keluarga tersebut membawa stempel waktu dari hari ini, 27 Oktober — proses pemeliharaan terbaru pada keluarga yang masih belum memiliki pengumuman publik yang dilampirkan padanya.

Yang tidak terjadi: tidak ada entri di blog inclusionAI dan tidak ada utas rilis. Ketiga checkpoint memang berbagi satu koleksi, Zooming-without-Zooming-v2, berisi empat item, tetapi koleksi hanyalah wadah, bukan pengumuman. Repositori GitHub yang menampung kode generasi pertama sama sekali belum diperbarui — masih mencantumkan empat model, ZwZ-2B, ZwZ-4B, ZwZ-7B, dan ZwZ-8B, semuanya dibangun di atas backbone Qwen3-VL. Keluarga v2 tidak ada di dalamnya. Jika Anda mencari kode yang menghasilkan ZwZ2-4B, Anda akan menemukan kode pendahulunya, dan README di sana tidak akan menyebutkan model yang Anda pegang.

Klaim itu, dinyatakan sebagai sebuah klaim

Kartu inclusionAI melaporkan akurasi keseluruhan 49,41 untuk model dasar dan 54,79 untuk ZwZ2-4B, yang diukur pada 25 benchmark yang dikelompokkan ke dalam enam domain. Kartu tersebut menyatakan bahwa model meningkat pada setiap benchmark tersebut, dan bahwa rata-rata keseluruhan serta rata-rata domain memberi bobot yang sama pada setiap benchmark. Enam domain yang disebutkannya adalah persepsi berbutir halus, penalaran spasial, pemahaman konteks panjang, agen multimodal dan penalaran visual umum, ditambah kelompok fine-grained yang membawa angka utama.

Kedua angka tersebut merupakan keseluruhan dasar kuantitatif bagi model ini. Skor per-benchmark tersedia di halaman sebagai gambar — sebuah PNG dan sebuah SVG — bukan sebagai teks, yang berarti delapan hasil representatif dan keseluruhan dua puluh lima dapat dilihat tetapi tidak dapat dibaca mesin. Satu-satunya set benchmark yang dijelaskan dalam bentuk prosa adalah MMLongBench*, yang inti visualnya tercantum sebagai V-RAG, Image MM-NIAH, dan VH-Multi, pada 25 tugas non-Counting. Kartu tersebut juga mencatat bahwa resolusi gambar untuk "model canggih" dibatasi oleh platform penyajian, yang merupakan catatan yang wajar sekaligus pengingat bahwa skor persepsi sebagian merupakan pernyataan tentang bagaimana gambar tersebut sampai ke model.

Rata-rata +5.38 pada 25 benchmark adalah klaim besar untuk model kelas 4B. Ini juga persis jenis klaim yang paling mungkin dibuat oleh vendor dan paling sulit diverifikasi, karena vendor yang memilih kumpulan benchmark, pembobotan, dan resolusinya. Perlakukan 54.79 sebagai angka yang harus direproduksi, bukan angka yang dijadikan dasar perencanaan.

Metode: satu lintasan, tanpa zoom, tanpa SFT

Pipeline pelatihan tersebut disebut EvidenceConnect, dan ini adalah generasi kedua dari ide yang diterbitkan lab itu awal tahun ini dengan nama "Zooming without Zooming". Premisnya adalah bahwa persepsi visual berbutir halus biasanya diselesaikan pada waktu inferensi — potong areanya, tanyakan ulang pertanyaannya, ulangi — dan bahwa ini mahal serta rapuh. ZwZ2 sebaliknya mengajarkan model untuk memperhatikan bukti regional dalam satu forward pass.

Konstruksinya berjalan dalam empat langkah, seperti yang dijelaskan kartu tersebut. Region terkait dikelompokkan, tiga hingga tujuh per gambar, yang diambil dari SA-1B. Pertanyaan dihasilkan terhadap tampilan zoom dengan akses istimewa atas region tersebut, sehingga penulis pertanyaan dapat melihat detail yang tidak akan pernah dilihat model kebijakan saat inferensi. Pertanyaan-pertanyaan itu kemudian difilter dua kali — berdasarkan kesepakatan antar-model, dan berdasarkan uji penghapusan satu region yang memeriksa apakah menghapus suatu region benar-benar mengubah jawaban. Pertanyaan yang terverifikasi menjadi tugas pilihan ganda empat opsi, dan model dilatih dengan GRPO. Tidak ada tahap fine-tuning terawasi sama sekali.

Saat inferensi, policy melihat gambar utuh dengan garis tepi area berwarna yang digambar di atasnya. Potongan gambar privileged hanya ada selama konstruksi data. Setiap ukuran model dalam keluarga tersebut menggunakan sekitar 20.000 contoh pelatihan; kartu dataset menetapkan angka pastinya pada 20.662 pertanyaan pilihan ganda, lima unduhan, dan tanggal pembuatan 19 Oktober.

Desain ini memiliki satu konsekuensi yang terlihat dan perlu diperhatikan bagi siapa pun yang berencana mengevaluasinya. Model yang hanya dilatih pada soal pilihan ganda empat opsi sedang dioptimalkan untuk bentuk tugas yang sama sekali tidak menyerupai pembuatan keterangan terbuka atau visual QA bebas. Jika beban kerja Anda meminta satu paragraf tentang sebuah gambar, checkpoint ini tidak dilatih untuk itu, dan bagian keterbatasan pada model card-nya menyatakan hal tersebut: detail halusinasi, teks yang salah dibaca, kesalahan penghitungan, kesalahan spasial.

Apa yang dibuktikan oleh konfigurasi itu, terlepas dari laboratorium

Ada jenis fakta yang tidak perlu Anda terima begitu saja, karena itu adalah aritmetika atas berkas yang telah dipublikasikan. ZwZ2-4B memiliki 4.539.265.536 parameter dalam BF16, disimpan sebagai satu berkas safetensors berukuran 9,08 GB. Halaman Hugging Face membulatkannya menjadi "5B", yang terbilang longgar; indeksnya menyebut 4,54B. Basisnya, Qwen3.5-4B, memiliki 4.659.865.088 — sehingga turunannya sekitar 120,6 juta parameter lebih kecil daripada model yang menjadi sumber pelatihannya.

Perbedaan itu punya penjelasan yang gamblang di konfigurasi. Qwen3.5-4B mendeklarasikan satu lapisan multi-token-prediction; ZwZ2-4B mendeklarasikan nol. Head speculative-decoding telah dihapus. Copot head MTP dari checkpoint 4.6B dan hasilnya hampir persis sama dengan selisih yang teramati. Ini adalah perubahan yang sama yang dibawa oleh saudara 9B-nya, dan ini adalah bukti terkuat yang tersedia bahwa model-model ini adalah turunan yang telah melalui post-training, bukan model yang baru dilatih.

Bagian lain dari stack tidak berubah dari basis:

• Kedalaman — 32 lapisan pada ZwZ2-4B dan Qwen3.5-4B

• Lebar — ukuran tersembunyi 2,560, ukuran perantara 9,216

• AtenSI — 16 kepala query terhadap 4 kepala KV, dimensi kepala 256, jadwal linear-ke-penuh 3:1 (24 lapisan linear, 8 penuh)

• Kosakata — 248,320 token, embedding terikat

• Konteks — 262.144 posisi, M-RoPE dalam pembagian 11/11/10, faktor rotari parsial 0,25

• Menara visi — 24 lapisan pada dimensi tersembunyi 1.024, ukuran patch 16, penggabungan spasial 2×2

• Runtime — transformers 5.13.1, pengenal arsitektur Qwen3_5ForConditionalGeneration

Template chat ini layak mendapat satu baris karena mengubah perilaku model begitu saja. Template yang dirilis berjalan dalam mode non-thinking dan menginstruksikan model untuk menaruh jawaban akhirnya di dalam tag <answer>. Jika Anda memuatnya dengan harness VLM generik yang mengharapkan teks bebas, Anda akan mendapatkan tag di output Anda dan bertanya-tanya mengapa.

Apa yang tidak diberitahukan kartu kepada Anda

Tiga celah lebih penting daripada apa pun yang tertera di kartu.

Yang pertama adalah lisensi. Repositori tidak memiliki file LICENSE dan tidak memiliki tag lisensi. Kata-kata pada kartu itu sendiri merujuk pada “lisensi yang menyertai bobot yang dirilis dan lisensi backbone yang berlaku” — tetapi tidak ada file lisensi yang menyertai untuk dirujuk. Backbone, Qwen3.5-4B, adalah Apache-2.0, sehingga pembacaan yang paling mungkin adalah bahwa karya turunannya mewarisinya. “Mungkin” tidak sama dengan “dinyatakan”, dan tinjauan hukum tidak akan menerima kalimat kartu yang menunjuk ke file yang tidak ada.

Yang kedua adalah makalahnya. Metode v2 — EvidenceConnect, filter drop-one-region, pelatihan khusus GRPO — tidak memiliki tulisan yang dipublikasikan. Tautan makalah di kartu masih berupa placeholder literal PAPER_URL. Satu-satunya pengenal arXiv yang terlampir pada repositori, 2602.11858, adalah makalah generasi pertama, yang menjelaskan distilasi region-to-image pada backbone Qwen3-VL: metode yang berbeda, keluarga basis yang berbeda, dan kumpulan angka yang berbeda. Kartu dataset mewarisi pengenal yang sama, sehingga tag tersebut menyebarkan ketidakcocokan itu.

Yang ketiga adalah tidak adanya pengukuran independen apa pun. Belum ada papan peringkat yang menilai ZwZ2-4B, belum ada replikasi, dan penghitung unduhan belum bergerak dari nol. Sebuah model bisa sangat baik sekaligus belum terukur; intinya hanya bahwa belum ada apa pun di luar lab yang mengonfirmasi angka 54.79.

Jebakan penamaan yang akan Anda masuki

Telusuri model ini dan Anda akan menemukan model lain terlebih dahulu. Generasi pertama ZwZ-4B adalah checkpoint nyata dan terdokumentasi yang dibangun di atas Qwen3-VL-4B, dan mencatat rata-rata 66.86 dibandingkan 61.52 milik backbone-nya, dengan skor ZoomBench 55.74. Angka-angka itu banyak dikutip dan itu bukan angka ZwZ2-4B. Angka tersebut milik model dasar yang berbeda, resep pelatihan yang berbeda, dan rangkaian benchmark yang berbeda.

Kedua nama tersebut berbeda satu karakter. Tabel perbandingan yang mencampur keduanya akan tampak konsisten secara internal tetapi salah. Jika halaman vendor atau agregator menampilkan ZwZ2-4B pada 66,86, itulah kesalahan yang sedang Anda lihat.

Jika Anda membutuhkan model visi kecil minggu ini

ZwZ2-4B tidak ada dalam katalog OrcaRouter, dan tulisan ini tidak akan berpura-pura sebaliknya. Ini adalah checkpoint yang Anda unduh dan layani sendiri; tidak ada endpoint yang di-hosting untuknya di mana pun yang diakui halaman Hugging Face, dan halaman tersebut secara eksplisit menyatakan bahwa tidak ada penyedia inferensi yang melayaninya.

Yang dimiliki katalog ini adalah alternatif praktis untuk pekerjaan yang sama: qwen/qwen3-vl-8b-instruct dengan $0.18 per juta token masukan dan $0.70 per juta token keluaran, dengan konteks 131K, dilayani melalui endpoint yang kompatibel dengan OpenAI yang sama seperti yang lainnya. Jika rencana Anda adalah mengevaluasi ZwZ2-4B terhadap baseline visi yang dihosting, itulah baseline-nya, dan menjalankan keduanya dari satu kunci berarti satu pustaka klien dan satu tagihan alih-alih dua integrasi. OrcaRouter merutekan lebih dari 200 model dengan failover otomatis, sehingga jalur visi yang dibangun di endpoint tersebut tidak bergantung pada satu upstream saja yang tetap sehat.

Untuk model dengan nol unduhan dan tanpa file lisensi, itulah rekomendasi yang jujur: sewa pembandingnya, miliki eksperimennya.

Apa yang akan mengubah penilaian ini?

Tiga peristiwa, dalam urutan kepentingan menurun. Berkas lisensi, yang akan mengubah ketidakpastian hukum menjadi jawaban hukum. Makalah v2 publik, yang akan memungkinkan orang memeriksa penyaringan EvidenceConnect terhadap kebocoran — uji drop-one-region adalah ide bagus, dan ide bagus justru yang perlu diaudit. Dan skor pihak ketiga apa pun, karena satu benchmark yang dapat direproduksi pada harness netral akan lebih berguna bagi checkpoint ini daripada seribu kata tambahan di kartu.

Sampai salah satunya terwujud, ZwZ2-4B adalah spesialis persepsi 4,54 miliar parameter yang terdokumentasi dengan baik, belum diumumkan, dan belum diukur, yang kartunya sendiri menyatakan bahwa ia mengungguli model dasarnya sebesar 5,38 poin. Itu adalah klaim yang nyata dan spesifik. Ini belum menjadi hasil, dan perbedaan itulah satu-satunya hal yang layak dibawa keluar dari repositori ini.