ZoomGain-4B vs Qwen3.8-27B: la vittoria di 11 punti riguarda un dataset, non un modello

Il numero che rende questo confronto meritevole di una pagina è 55,81 contro 44,81. Su ZoomGainBench, il benchmark di 1.000 domande sui dettagli fini pubblicato insieme a ZoomGain-4B di inclusionAI, un modello visivo da 4,54 miliardi di parametri ottiene undici punti in più di Qwen3.8-27B, un modello dense da 27,78 miliardi di parametri che Alibaba ha rilasciato con licenza Apache 2.0 ad agosto e che legge immagini e video oltre al testo. Sei volte i parametri, e perde di undici punti. Leggendo il paper che ha prodotto entrambi i numeri, il divario smette di essere un'affermazione sulla capacità di vedere: ZoomGainBench è stato costruito dalla stessa pipeline automatizzata che ha generato i dati di addestramento di ZoomGain-4B, gli stessi autori lo dichiarano nel loro studio di ablazione, e il modello contro cui stavano realmente gareggiando non è affatto Qwen3.8-27B — è un altro dataset.

Non è una smentita. È la cosa più utile del rilascio, ed è ciò che rende decidibile il confronto: ti dice a quale dei due modelli ricorrere e quale numero citare quando qualcuno ti chiede di giustificare la scelta. Quanto segue separa le tre affermazioni che qui vengono raggruppate insieme — che uno specialista piccolo batte un generalista grande, che una pipeline dati batte un'altra pipeline dati, e che una qualsiasi delle due è un motivo per cambiare il tuo stack questo mese.

Cosa è stato rilasciato, e con quanta discrezione

Il repository di ZoomGain-4B è stato creato su Hugging Face il 10 novembre 2026 alle 11:38 UTC e modificato l'ultima volta l'11 novembre. L'articolo, arXiv 2611.14076, è stato inviato il 10 novembre. Il repository GGUF è stato toccato alle 03:13 UTC dell'11 novembre. Al momento della stesura, entrambi i repository mostrano zero download e zero like, non c'è alcun provider di inferenza associato al modello e non esiste alcun post di lancio del fornitore, voce di blog o comunicato stampa al riguardo. L'elenco Updates della model card stessa, datato 11 novembre, è l'unico annuncio: tre righe che dicono che l'articolo, il benchmark, il dataset RL e i checkpoint sono disponibili.

La formulazione onesta è che questo è stato rilasciato in sordina e non è stato annunciato. Tutto ciò che segue e proviene da un repository è verificabile oggi; qualsiasi affermazione su come il modello si comporti al di fuori dell'ambiente di test degli autori non è ancora confermata, perché nessuno al di fuori di Ant Group e della Zhejiang University lo ha eseguito e riportato i risultati.

Due dettagli del repository è bene averli prima che inizi il confronto, perché entrambi limitano ciò che puoi fare con esso.

• Architettura. Un derivato di Qwen3.5-4B — 32 layer, dimensione nascosta 2.560, 16 teste di query contro 4 teste KV con dimensione della testa 256, una sequenza 3:1 di DeltaNet lineare e attenzione completa, 262.144 posizioni massime, un vocabolario di 248.320 token e un codificatore visivo a 24 layer con dimensione nascosta 1.024. Il totale, codificatore e proiettore inclusi, è 4.539.265.536 parametri.

• Licenza. La sezione Licenza della card copre il codice, che è Apache 2.0, e poi rimanda: «Vedi le card di Hugging Face per i termini di ciascun dataset e checkpoint». La card del checkpoint non riporta alcun tag di licenza. Qwen3.8-27B è Apache 2.0 in termini inequivocabili. Se ti serve una licenza che puoi consegnare a un avvocato, quell’asimmetria è la prima cosa che incontri e non viene risolta da nulla nella release.

L'unica lista in cui entrambi i modelli compaiono fianco a fianco

ZoomGainBench è un benchmark bilingue di 1.000 domande su 941 immagini: 472 domande di riconoscimento degli attributi con quattro o sei opzioni, 94 domande di conteggio e 434 domande OCR, ciascuna in una versione inglese e una cinese, per un totale di 2.000 istanze di valutazione. Ventotto modelli sono stati eseguiti con un unico harness — stesso system prompt, temperatura 0, thinking disabilitato per ogni checkpoint Qwen, 2.048 token di output per i modelli non agentici. Il miglior risultato del settore è GPT-5.6-Sol a 61,08, e solo cinque modelli superano 50.

Qwen3.8-27B si attesta a 44,81 nel complessivo: 43,84 in inglese da 40,25 attribute, 54,26 counting e 45,49 OCR, e 45,78 in cinese. ZoomGain-4B, nella tabella di training anziché in quella di benchmark, si attesta a 55,81. Entrambi i valori sono il complessivo bilingue secondo le stesse regole di punteggio, quindi questo è il confronto più vicino a un accoppiamento controllato che il rilascio offra, e su di esso il 4B vince di 11,00 punti.

• Parametri. 4,54B contro 27,78B — una differenza di 6,1× nella direzione che rende il risultato sorprendente.

• A cosa serve ciascuno. ZoomGain-4B è Qwen3.5-4B sottoposto a un'epoca di GRPO su 9.000 domande estratte, 140 step, batch 64, otto rollout per domanda, learning rate 1e-6, senza termine KL. Qwen3.8-27B è un modello denso generale con modalità di ragionamento, chiamata agli strumenti e un percorso video.

• Dati di addestramento. 9.000 domande per uno. Per l'altro, l'intero corpus di pre-addestramento e post-addestramento di A​libaba, di dimensioni non divulgate.

• Disponibilità. ZoomGain-4B: tre precisioni GGUF e un file di proiezione separato, nessun endpoint ospitato. Qwen3.8-27B: pesi Apache 2.0, una build FP8, 7,4 milioni di download e endpoint che puoi chiamare già oggi.

Il confronto che l'articolo stabilisce effettivamente

Ecco la parte che si perde quando il rilascio viene ridotto a «4B batte 27B». Il paper aveva bisogno di una baseline per i propri dati, e ne ha usata una: ZwZ, un dataset di percezione a grana fine di ICML 2026 costruito tramite distillazione regione-immagine. A entrambe le parti è stato riservato un trattamento identico. Sono state campionate dodicimila immagini e generate 23.610 domande; il benchmark ne ha prese 1.000; il resto ha prodotto 8.746 coppie di domande abbinate alle immagini, e 254 sono state duplicate su entrambi i lati per portare ciascun set a 9.000. Stesse immagini, stessi checkpoint di base, stessi iperparametri, stessi 140 passi. L'unica variabile sono le domande.

I dati ZoomGain battono i dati ZwZ su ogni asse riportato nell'articolo. Su Qwen3.5-4B il punteggio held-in passa da 40,99 a 55,81 e la media held-out su tredici benchmark passa da 58,94 a 63,96; su Qwen3.5-9B la stessa coppia di numeri è 44,07 → 55,48 e 62,53 → 66,10. È un risultato reale e ben controllato su come si genera la supervisione, ed è il contributo che il titolo dell'articolo intende evidenziare.

Qwen3.8-27B non contribuisce in alcun modo a quell’argomento. Compare una sola volta, come singola riga tra altri 27 modelli sottoposti a benchmark. È un metro di paragone — un generalista competente misurato su una distribuzione per cui nessuno lo ha addestrato — non un concorrente. Il testo stesso del paper è esplicito sul fatto che il divario che sfrutta è condiviso: i distrattori di errore a visione globale costituiscono il 71,7% di tutte le risposte errate in tutti i 28 modelli, al di sopra del 54,5% che produrrebbe una scelta casuale tra le opzioni, e i quattro modelli closed-source che non hanno preso parte alla costruzione del benchmark mostrano lo stesso comportamento al 75,7% contro il 57,4% atteso.

L'ablation è l'argomento più forte contro il titolo

Gli autori hanno eseguito su se stessi l’ovvia verifica di buon senso, e il risultato è la tabella più informativa dell’articolo. Hanno riaddestrato due volte sugli stessi 9.000 quesiti, rimuovendo ogni volta una delle due scelte di progettazione che definiscono la loro pipeline: la regola secondo cui le domande possono essere costruite solo a partire da dettagli invisibili nell’immagine completa, e la fase dedicata alla generazione dei distrattori.

• Pipeline completa. ZoomGainBench 55,81; media sui dieci benchmark held-out riportati dall'ablation, 60,96.

• Distrattori dedicati rimossi. ZoomGainBench 46,85 — una perdita di 8,96 punti sul test held-in — e la media dei dieci benchmark 59,14, una perdita di 1,82.

• Prove incrementali rimosse. ZoomGainBench 49,71, una perdita di 6,10 — e la media dei dieci benchmark 58,57, una perdita di 2,39.

Entrambe le scelte progettuali valgono da sei a nove punti su ZoomGainBench e circa due punti su tutto il resto. Gli autori ne danno la ragione senza giri di parole: rimuovere i distrattori dedicati «causa il calo maggiore sullo ZoomGainBench held-in» perché «le opzioni del benchmark sono costruite usando la stessa pipeline». In altre parole, circa tre quarti del guadagno principale sul benchmark che ha prodotto il numero principale è il modello che impara a rispondere al tipo di domanda che la pipeline scrive, non che impara a vedere meglio.

Ciò che sopravvive è comunque sostanziale. Sui tredici benchmark che l'addestramento non ha mai toccato, Qwen3.5-4B passa da 57,86 a 63,96 — 6,10 punti da 9.000 campioni — con i maggiori guadagni proprio nella famiglia a cui punta la pipeline: HR-Bench 4K da 81,25 a 87,25, V*Bench da 81,68 a 90,05, VisualProbe da 43,30 a 57,28, O3-Bench da 54,20 a 63,19. Un benchmark peggiora: TreeBench, da 49,38 a 49,14, un quinto di punto. MMStar, una suite multimodale generale, passa da 66,80 a 72,53, e BabyVision resta debole a 21,13.

Quel profilo è il segno distintivo di un intervento mirato, ed è il profilo su cui dovresti pianificare. Il modello è migliorato nel risolvere piccoli dettagli in una scena. Non è diventato un generalista migliore, e l'aritmetica che dice il contrario è aritmetica sul proprio benchmark.

Che cosa chiede in realtà il benchmark, visto che è quello che acquisteresti

Se l'uso previsto è la verifica dei dettagli fini, la composizione del test conta più del punteggio complessivo, e l'analisi degli errori del paper è insolitamente concreta al riguardo.

• Le ancore piccole dominano.L'accuratezza aumenta con la frazione dell'immagine occupata dal dettaglio interrogato, per ogni gruppo di modelli: calcolando la media su tutti i 28, sale dal 28,9% nel quartile più piccolo, dove l'ancora copre meno dello 0,4% dell'immagine, al 55,2% nel più grande.

• Il conteggio è un conteggio di numeri piccoli. 67 delle 94 domande di conteggio hanno un valore di riferimento pari ad al massimo tre, e il 71,6% delle risposte numeriche errate differisce esattamente di uno. La difficoltà consiste nel risolvere pochi piccoli casi, non nell'enumerarne molti.

• Il riconoscimento degli attributi è la categoria difficile. Produce il punteggio più basso per 23 dei 28 modelli, e indovinare uniformemente tra le opzioni darebbe già circa il 21,5%.

• La modalità di errore è la sostituzione plausibile rispetto alla scena. In un caso documentato, 46 valutazioni su 56 definiscono arancione un oggetto bianco sul cruscotto di un camion — plausibilmente il colore del gilet indossato dall'operaio in piedi davanti ad esso. In un altro, quasi ogni valutazione indica il nome di una marca di attrezzatura da hockey invece del logo effettivamente stampato sul capo. I modelli non dicono "non riesco a vederlo"; rispondono in base al contesto.

Quella modalità di errore è l’argomento pratico a favore di questo tipo di addestramento, perché è la stessa che rende silenziosamente errata una pipeline documentale su una fattura scansionata. È anche l’argomento a favore del misurarla: un modello che sostituisce una risposta plausibile genera un output apparentemente sicuro, quindi nulla a valle lo intercetta.

Dove Qwen3.8-27B si trova in un'altra stanza

Il 44.81 è reale, ed è anche l'unico numero in questo articolo sul quale Qwen3.8-27B venga qui giudicato. La sua scheda riporta un insieme di elementi del tutto diverso, e nessuno di essi può essere confrontato con i numeri di ZoomGain, perché i due modelli non sono mai stati eseguiti sullo stesso harness per questi aspetti.

• Programmazione agentica.Terminal Bench 2.1 a 73,0, SWE-bench Pro 61,7, LiveCodeBench v6 90,3, QwenSWEBench 79,0 — tutti dichiarati dal fornitore sulla scheda di Qwen, con le note del harness pubblicate contestualmente.

• Ragionamento e uso del computer. GPQA Diamond 89.2, HLE 30.8, OSWorld-Verified 84.3, WebArena-Verified 64.8.

• Lavoro multimodale. OmniDocBench 1.5 a 91,1, ragionamento CharXiv 83,7 senza iniezione di catena di pensiero e 90,2 con essa, RealWorldQA 85,9, MathVision 90,0.

• Superficie delle capacità. Pensiero attivo per impostazione predefinita con reasoning_effort impostato su xhigh, medium o low, pensiero preservato tra i turni, chiamata nativa degli strumenti, output strutturati, input video, 262.144 posizioni in modo nativo ed estendibili a un milione.

ZoomGain-4B non è stato valutato su nessuno di questi e non ci si aspetterebbe che se la cavi bene su alcuno di essi: il suo addestramento non ha mai toccato codice, attività da terminale, documenti o grafici. Inoltre non ha alcuna valutazione riportata in modalità di pensiero — l'harness della release stessa viene eseguito con il pensiero disabilitato a temperatura 0, quindi tutto ciò che è stato pubblicato su di esso descrive il suo comportamento di risposta diretta. Il 44,81 di Qwen3.8-27B è stato misurato allo stesso modo, con enable_thinking=false, che è l'unica cosa che rende equo il confronto e l'unica che lascia non testata la migliore modalità di Q​wen.

Detto chiaramente: sull’asse per cui ZoomGain-4B è stato addestrato, vince; sugli assi per cui è stato costruito Qwen3.8-27B, il 4B non è nemmeno in gioco. Nessuna delle due cose è una sorpresa, e trattare l’una o l’altra come la storia completa è il modo in cui una pagina di confronto diventa inutile.

Quanto costa attivare ciascuno, e quello che puoi chiamare oggi

È qui che i due divergono in un modo che decide il deployment anziché il benchmark.

ZoomGain-4B non ha alcun endpoint ospitato da nessuna parte. Ciò che esiste è il repository BF16, 4,54 miliardi di parametri distribuiti tra un modello linguistico e un encoder visivo separato, e tre build GGUF: Q4_K_M da 2,71 GB, Q8_0 da 4,48 GB e F16 da 8,42 GB, ciascuna abbinata al proprio mmproj proiettore — 0,23 GB, 0,36 GB e 0,67 GB rispettivamente — che la scheda GGUF indica come necessario per l'input di immagini. Eseguirlo significa llama-mtmd-cli o llama-server da una build di llama.cpp abbastanza recente da conoscere il multimodale di Qwen3.5; eseguirlo a piena precisione significa vLLM 0.19.1 con transformers 5.7.0. Non esiste alcuna build MLX, né ONNX, né un modello draft per la decodifica speculativa, e nessun provider su cui ripiegare se la tua build si rompe.

Qwen3.8-27B è nel catalogo OrcaRouter e quei pesi li eseguiamo sulla nostra infrastruttura invece di rivendere l'endpoint di qualcun altro — per questo il prezzo sulla pagina del nostro modello è il prezzo, senza ricarichi aggiunti sopra e senza prezzi di listino di fornitori maggiorati nel mezzo. È $0,33 per milione di token di input e $2,40 per milione di output, testo, immagini e video in input, 262.144 token di contesto e una singola chiave. La stessa chiave raggiunge anche Qwen3.8-Flash a $0,15 e $0,47 per milione con una finestra da un milione di token, e Qwen3.8-Max a $2,00 e $6,00, così un carico di lavoro che supera il 27B o richiede una finestra più lunga si sposta senza un secondo contratto o una modifica al codice. Il failover è l'aspetto che conta per qualsiasi cosa in produzione: un provider bloccato riprova prima che inizi la risposta, anziché dopo che la tua richiesta va in timeout.

ZoomGain-4B non è in quel catalogo e non può essere chiamato tramite noi. È una cartella di pesi che servi tu stesso, e la versione onesta della raccomandazione deve partire da lì.

Chi dovrebbe agire e cosa non è ancora confermato

Se hai un lavoro con molte immagini in cui la risposta dipende da un piccolo dettaglio — un codice componente su un'etichetta, un colore sullo schermo, se ci sono due viti o tre — un modello da 4,54B che è stato addestrato con RL proprio su questo, eseguito localmente a 2,71 GB in Q4_K_M, è un secondo parere economico credibile da affiancare a un generalista ospitato. Non al posto di uno. Il profilo di errore dello specialista è la sostituzione con eccessiva sicurezza, che è esattamente l'errore che un controllo generalista intercetta, e viceversa.

Se il tuo carico di lavoro è fatto di documenti, grafici, screenshot, video, codice o agenti, il 27B è quello da chiamare, e il 44.81 su un benchmark di dettagli fini per cui nessuno lo ha addestrato non è un motivo per pensare il contrario.

Ciò che resta non confermato, e che vale la pena tenere d'occhio anziché dare per scontato:

• La licenza dei pesi.Apache 2.0 copre il codice. Il checkpoint non riporta alcun tag di licenza e la card rimanda ai "termini di ciascun dataset e checkpoint" senza enunciarli. Finché la questione non sarà risolta, la distribuzione commerciale è una conversazione con un avvocato, non una casella da spuntare.

• Qualsiasi riproduzione. Ogni numero sopra riportato è dichiarato dagli autori, prodotto sul loro harness. Il benchmark e il valutatore sono pubblici, quindi è verificabile, ma nessuno al di fuori di Ant Group e Zhejiang University l'ha verificato.

• Se il guadagno si generalizza oltre la pipeline. I numeri tenuti da parte sono quelli di cui fidarsi, sono modesti — 6,10 punti sopra la media dei tredici benchmark del modello base — e si concentrano fortemente sulla famiglia fine-grained su cui mirava l'addestramento. Se questo si trasferisca alle tue immagini è una domanda aperta a cui la release non dà risposta.

• Se regge al Q4. La scheda GGUF avverte che la quantizzazione può compromettere la precisione, e nulla di pubblicato confronta le build quantizzate con il checkpoint BF16 su ZoomGainBench. Per un modello il cui intero valore risiede nel dettaglio fine, è questo l'esperimento da eseguire prima di fidarsi di un file da 2,71 GB.