
ZoomGain-4B è stato rilasciato l'11 novembre senza alcun annuncio.
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 90 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNUOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 88 tok/s
- OrcaNUOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 133 tok/s
- OrcaNUOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M di token · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M di token · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenza
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenza
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M di token · 185 tok/s
Il primo commit in inclusionAI/ZoomGain riporta la data del 2026-11-09 alle 02:13 UTC e il suo messaggio è "Release ZoomGain init.". I pesi per ZoomGain-4B sono comparsi su Hugging Face il 2026-11-10 alle 11:38 UTC. La voce su arXiv, il set di valutazione e il corpus di apprendimento per rinforzo che lo ha prodotto sono tutti datati 2026-11-11, lo stesso giorno in cui la model card è stata modificata per l'ultima volta. Quello che non è comparso, per quanto mi sia stato possibile cercare, è un post di lancio. Non c'è alcuna voce di notizie sul sito di inclusionAI, nessun annuncio sul profilo Hugging Face dell'organizzazione oltre al repository stesso, nessun endpoint ospitato e nessuna copertura da parte di nessuno. ZoomGain-4B è un modello visione-linguaggio costruito tramite apprendimento per rinforzo sopra Qwen3.5-4B, e a partire da questa mattina le uniche persone che sanno che esiste sono quelle che si sono imbattute per caso in un elenco di repository. Questo è un articolo basato su ciò che dice il repository: ogni dato riportato di seguito è o un timestamp che puoi verificare tu stesso o un numero che gli autori hanno messo sulla propria model card, e i punti in cui questo non basta sono segnalati come tali.
Per un lettore che vuole capirne la struttura prima dei dettagli: il modello è un checkpoint multimodale da 4,54 miliardi di parametri che risponde a domande a scelta multipla su dettagli visivi fini — testo piccolo in una fotografia, il conteggio degli oggetti in una scena affollata, un attributo leggibile solo ingrandendo. La tesi degli autori è che un modello di visione che guarda un'immagine intera perde dettagli che riesce a leggere perfettamente quando la stessa regione viene ingrandita, e che questo divario può essere trasformato in segnale di addestramento. Hanno poi costruito un benchmark di 1.000 domande con lo stesso meccanismo, e su quel benchmark il 4B addestrato ottiene 55,81 contro 30,03 del modello da cui è stato addestrato. Quei due numeri sono l'intero argomento, e arrivano con un'avvertenza che il paper dichiara esso stesso: il benchmark è costruito con la stessa pipeline dei dati di addestramento, che il paper chiama "held-in".
Cosa è arrivato, e cosa dicono i timestamp
Il rilascio è insolitamente completo per qualcosa che nessuno ha annunciato. Sei artefatti, tutti nell'arco di 48 ore:
• L'articolo. "ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision," arXiv 2611.14076, presentato il 10 novembre 2026, a cura di Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao e Jianwei Yin. Sette autori, cs.CV e cs.AI.
• Il checkpoint 4B. inclusionAI/ZoomGain-4B, safetensors in BF16. I metadati del file contano 4.539.265.536 parametri. Apache 2.0 sul codice; la card rimanda ai termini del checkpoint e del dataset ai rispettivi repository.
• Il checkpoint 9B. inclusionAI/ZoomGain-9B, 9,409,813,744 parametri, creato quattro minuti dopo la sua versione più piccola.
• Build quantizzate. ZoomGain-4B-GGUF è arrivato il 2026-11-11 alle 03:09 UTC con tre precisioni più i proiettori visivi corrispondenti: Q4_K_M a 2,71 GB, Q8_0 a 4,48 GB, F16 a 8,42 GB, ciascuno con un mmproj file per l'encoder delle immagini. Il GGUF 9B è arrivato in seguito.
• Il benchmark. inclusionAI/ZoomGainBench, 1.000 domande su 941 immagini, testo in inglese e cinese per ogni elemento, più una risposta di riferimento, una regola di punteggio e un riquadro di delimitazione dell'evidenza in coordinate pixel.
• I dati di addestramento. inclusionAI/ZoomGain-RL-Data, 9.000 record e 7.713 immagini di origine in Parquet, con i metadati di ricompensa che lo script di addestramento prevede.
Il silenzio non è un mistero e non è inquietante. È l'aspetto che ha un rilascio interno di un gruppo di ricerca quando il paper è già su arXiv prima che qualcuno scriva il post sul blog. Gli indizi ci sono tutti: tre commit la mattina dell'11 novembre hanno tutti il titolo "update readme" a quattordici minuti di distanza l'uno dall'altro, il repository GitHub ha tre stelle e nessun campo descrizione compilato, entrambi i repository dei checkpoint mostrano zero download e zero like, e la pagina del modello 4B riporta un avviso su metadati YAML vuoti o mancanti. Niente di tutto ciò è una prova sul modello. È una prova sul rollout.

Il metodo, in tre mosse
La parte interessante di ZoomGain non è il modello, bensì il modo in cui sono state create le domande. La pipeline si articola in tre fasi e solo la prima è convenzionale.
• Individua il target. Diversi modelli individuano indipendentemente una regione descritta nella scena completa. Dove concordano, tale accordo viene considerato il ritaglio da conservare. Usare il disaccordo come filtro significa che il punto cieco di nessun singolo modello definisce l'insieme target.
• Estrai le prove. Le didascalie della stessa regione vengono confrontate a due livelli di zoom. Tutto ciò che il ritaglio rivela e che l'immagine completa non mostra viene trasformato in una domanda sull'immagine completa. Questo è il meccanismo che produce il divario "global-to-zoom" a cui si riferisce il titolo: la domanda ha una risposta, ma solo se il modello riesce a risolvere qualcosa al limite della sua percezione.
• Verifica e genera distrattori. Le risposte vengono verificate incrociando con il ritaglio, le domande ambigue vengono scartate, le domande a cui è possibile rispondere del tutto senza l'immagine vengono scartate e vengono generati distrattori a scelta multipla. L'analisi di ablazione indica che quest'ultimo passaggio dà un contributo reale — rimuovere distrattori dedicati costa 8,96 punti sul benchmark held-in, il maggiore calo singolo riportato dall'articolo.
L'addestramento in sé non è affatto esotico. GRPO tramite il framework EasyR1 incluso, una singola epoca, dimensione del batch 64, otto rollout per domanda, che equivale a 140 step su 9.000 record. Il repository include uno smoke test che esegue un singolo step, tra cui rollout, reward e salvataggio del checkpoint, e launcher completi per entrambe le dimensioni. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 e transformers 5.7.0 — tutti fissati, ed è questa la differenza tra un repository che riproduce e uno che si limita a descrivere.
Il numero che conta, e la precisazione che lo ridimensiona
ZoomGainBench è volutamente difficile. Il modello più forte è GPT-5.6-Sol con 61,08 complessivo, e si tratta di 61,08 su 100 in domande a scelta multipla sulle fotografie. Claude-Opus-5 si colloca a 59,86, Gemini-3.6-Flash a 59,41. Il miglior modello di visione generale open della tabella, Qwen3.8-Flash-Next con 125 miliardi di parametri, raggiunge 55,05. Un modello da 4 miliardi di parametri addestrato su 9.000 campioni si attesta a 55,81 — sopra il generalista da 125B, sopra Kimi-K3 con 2,8 trilioni di parametri, sopra GLM-5.3-Flash con 320 miliardi.
Se quel numero reggesse il confronto con un harness indipendente, sarebbe la notizia del mese. Non è ancora così, per un motivo che il paper dichiara apertamente. ZoomGainBench è costruito dalla stessa pipeline che ha prodotto i dati di addestramento, e la tabella di ablazione del paper stesso lo elenca sotto una colonna intitolata "Held-in". Le domande non sono quelle di addestramento, ma sono estratte dalla stessa distribuzione dalla stessa macchina. Un modello fine-tuned su quella distribuzione ha un vantaggio che un modello valutato zero-shot non ha, e l'entità di tale vantaggio è esattamente ciò che oggi nessuno al di fuori di inclusionAI può misurare.
Le prove sui benchmark held-out sono meno spettacolari e più convincenti. L'articolo riporta una media su dieci benchmark held-out: 54,20 per Qwen3.5-4B non addestrato, 60,96 per il 4B addestrato con ZoomGain. Un guadagno medio di 6,76 punti su benchmark che l'addestramento non ha mai visto è un risultato reale. Semplicemente, non è la stessa affermazione di battere un modello da 2,8 trilioni di parametri.
Vale la pena notare anche che il guadagno non è uniforme. Confrontando il 4B con la sua stessa base nella tabella principale dell'articolo:
• Grandi miglioramenti. Visual Probe da 43,30 a 57,28. O3-Bench da 54,20 a 63,19. Zoom Bench da 48,88 a 59,88. HR-Bench 4K da 81,25 a 87,25. BabyVision da 14,69 a 21,13.
• Guadagni moderati. MME-RealWorld-Lite da 57,89 a 61,59. MMStar da 66,80 a 72,53. HR-Bench 8K da 77,63 a 83,88. MMVP da 57,33 a 61,33.
• Una regressione. La "Tree" in stile TreeBench registra 49,38 prima dell'addestramento e 49,14 dopo. Un calo di 0,24 punti, ben all'interno del rumore, ma è nella tabella anziché fuori da essa, il che è un buon segno per la tabella.

Che cosa non è davvero confermato
Quattro cose, e contano più della solita avvertenza.
Non esiste alcuna valutazione indipendente. Nemmeno un singolo dato di terze parti. Il 55,81, la media di 60,96, il 90,25 che il 9B raggiunge su HR-Bench 4K: tutto quanto è opera degli autori che misurano il proprio modello sul proprio harness. È normale per un articolo e non è prova che qualcosa non vada. Significa però che i numeri vanno letti come affermazioni.
Nessun endpoint ospitato. Nessuno dei due checkpoint elenca un provider di inferenza. Non c'è alcuna API, né playground, né tariffario. Se vuoi usare questo modello nel prossimo mese dovrai scaricare 8,42 GB ed eseguirlo da solo.
Il nome non concorda con il conteggio dei parametri in tre punti. Il modello si chiama 4B, la scheda GGUF dice 4B, il badge del repository dice 5B, e il totale effettivo dei safetensors è 4.54B. Il mezzo miliardo in più è l'encoder di visione e il proiettore, che è la spiegazione consueta — ma una scheda che non riesce a mantenere coerente un solo numero fin dal primo giorno non è stata riletta, ed è legittimo tenerne conto quando decidi quanto fidarti del resto.
Nessuna dichiarazione d'intenti. Ci sarà un 30B? Una versione ospitata? Una v2 con un benchmark held-out? Niente nel repository lo dice. Il log degli aggiornamenti del README elenca tre righe, tutte datate 2026.11.11, tutte descrivono ciò che è stato rilasciato anziché ciò che verrà dopo.

Eseguirlo, oggi, senza un fornitore
Il percorso GGUF è quello pratico e ha un prerequisito imprescindibile: serve una build di llama.cpp con supporto multimodale a Qwen3.5. La scheda è esplicita sul fatto che il modello linguistico e il proiettore mmproj sono file separati e che l'input immagine richiede entrambi. L'esempio CLI passa -m per il modello, --mmproj per il proiettore, --image per l'immagine ed esegue a temperatura 0 con il thinking disabilitato, che è anche l'impostazione predefinita dell'harness di valutazione. llama-server funziona allo stesso modo sulla porta 8080. Con Q4_K_M si hanno 2,71 GB di modello linguistico più un proiettore, che stanno comodamente su un laptop; con F16 si arriva a 8,42 GB più proiettore, il che richiede una workstation o una singola GPU di fascia media.
Per qualsiasi esigenza ad alto volume, vLLM 0.19.1 con transformers 5.7.0 è lo stack supportato, e lo script di valutazione del repository stesso richiede un MODEL_PATH, un elenco GPUS e un'opzione LANGUAGE che esegue solo in inglese, solo in cinese o entrambi per 2.000 attività. È un'impalcatura sufficiente per riprodurre i numeri riportati sul proprio hardware, il che è più di quanto offrano la maggior parte delle release silenziose.
Se preferisci non mettere in piedi una GPU solo per scoprire se l'approccio vale qualcosa, la mossa interlocutoria più onesta è prototipare il ciclo crop-and-ask su un modello vision ospitato che puoi chiamare già oggi. Il nostro catalogo include Qwen3-VL-8B a $0,18 in input e $0,70 in output per milione di token, e la linea Qwen3.5 da qwen3.5-35b-a3b a partire da $0,057 e $0,459 — una sola chiave, nessun contratto per singolo fornitore, e una regola di routing che passa a un secondo modello se il primo si blocca. ZoomGain-4B non è nel nostro catalogo e non farei finta del contrario; lo scopo della deviazione sul servizio ospitato è stabilire se le domande sui dettagli fini sono ciò su cui il tuo prodotto sbaglia davvero, prima di spendere una settimana su un 4B self-hosted che risponde loro meglio solo rispetto al proprio modello genitore.
Cosa trasformerebbe questo da una curiosità in una decisione?
Tre segnali, in ordine di quanto sarebbero informativi. Primo, un'esecuzione indipendente di ZoomGainBench da parte di qualcuno che non ha interessi nella pipeline — il benchmark è pubblico, l'harness è nel repository, e la barriera all'ingresso è una GPU e un pomeriggio, quindi è probabile che accada prima di qualsiasi altro. Secondo, un'estensione held-out: se gli autori rispondono all'obiezione ovvia valutando su un benchmark alla cui costruzione non hanno contribuito, il 55.81 smette di essere un numero relativo al loro set di test. Terzo, un deployment ospitato, che ti direbbe che i pesi sono effettivamente servibili con una latenza accettabile anziché semplicemente scaricabili.
Finché una di queste non si concretizza, la descrizione corretta di ZoomGain-4B non è "un piccolo modello di visione batte i modelli all'avanguardia". È questa: un gruppo di ricerca ha pubblicato una ricetta di addestramento che migliora un modello di visione da 4B di 6,76 punti in media su dieci benchmark su cui non è stato addestrato, e contemporaneamente ha pubblicato un benchmark che mostra lo stesso trucco produrre un numero molto più grande su domande costruite allo stesso modo. La prima metà è la scoperta. La seconda metà è il marketing, ed è arrivata senza un comunicato stampa, il che è almeno un ordine rinfrescante in cui vedere arrivare queste due cose.
