ZoomGain-9B rilasciato senza annuncio: cosa dice davvero il repository

Il paper è stato pubblicato su arXiv il 10 novembre 2026. Il repository GitHub è stato creato un giorno prima, il 9 novembre, e il suo primo commit ha il titolo "Release ZoomGain init". I pesi sono comparsi su Hugging Face il 10 novembre alle 11:42 UTC, seguiti da un repository GGUF l'11 novembre alle 03:16. Non c'è alcun post di lancio sul blog, nessun annuncio dell'azienda, nessun endpoint ospitato e nessun tag di licenza sul repository del checkpoint stesso. Questo è l'intero registro pubblico di ZoomGain-9B, un modello visione-linguaggio da 9,4 miliardi di parametri di inclusionAI, il ramo open-model di Ant Group, ed è il motivo per cui questo articolo è scritto come una lettura del repository anziché come una storia di lancio.

Ciò che lo rende degno di attenzione non è la segretezza. È che il repository è insolitamente completo per qualcosa che nessuno ha annunciato: l'articolo, il benchmark da 1.000 domande, il dataset di apprendimento per rinforzo da 9.000 record, il valutatore, il launcher di addestramento, due checkpoint a 4B e 9B e tre quantizzazioni GGUF sono arrivati tutti nell'arco di circa due giorni. Puoi leggere il metodo, rieseguire la valutazione e riprodurre l'addestramento oggi stesso. L'unica cosa che manca è qualcuno dell'azienda che dica che esiste.

Cosa è effettivamente arrivato, in ordine

• 9 novembre 2026 — viene creato il repository GitHub di inclusionAI. È distribuito con licenza Apache 2.0 e contiene il codice per la costruzione dei dati e per l'addestramento, non i pesi.

• 10 novembre 2026 — arXiv:2611.14076v1, "ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision", di Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao e Jianwei Yin, con affiliazioni presso Ant Group, Zhejiang University, Om AI Research e il Binjiang Institute.

• 10 novembre 2026, 11:42 UTC — inclusionAI/ZoomGain-9B e inclusionAI/ZoomGain-4B vengono creati sull'Hub, ciascuno con un singolo file safetensors BF16 rispettivamente da 18,82 GB e 9,08 GB.

• 11 novembre 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF compare con build Q4_K_M, Q8_0 e F16 e relativi file del proiettore mmproj, ovvero il passo che trasforma un checkpoint di ricerca in qualcosa che un laptop può provare.

Un piccolo dettaglio che vale la pena notare, perché è esattamente il genere di cosa che un lancio coordinato non produce: la sezione "Updates" della model card stessa data il paper, il benchmark, il dataset e i checkpoint tutti al 2026.11.11, mentre il timestamp di creazione del repository e la data di sottomissione ad arXiv indicano entrambi il 10 novembre. La card è stata scritta a posteriori, in un'unica passata, da qualcuno che stava mettendo in ordine.

L'idea, in un solo paragrafo, perché è davvero un'unica idea

Un modello di visione può spesso rispondere a una domanda su una regione di un'immagine, ma fallisce quando la stessa regione compare all'interno dell'inquadratura completa. Gli autori chiamano questo divario percettivo globale-zoom e lo trasformano in supervisione. Prima fase: diversi modelli individuano indipendentemente un obiettivo descritto nella scena completa, e il loro accordo identifica una regione da ritagliare. Seconda fase: le didascalie del ritaglio e quelle della scena completa vengono confrontate, e ogni dettaglio che il ritaglio rivela ma la vista completa non mostra diventa una domanda posta sull'immagine originale. Terza fase: le risposte vengono ricontrollate sul ritaglio, le domande ambigue e quelle a cui si può rispondere sulla base di conoscenze linguistiche pregresse vengono filtrate, e vengono generati distrattori plausibili per il formato a scelta multipla.

L'addestramento è GRPO su 9.000 record costruiti su 7.713 immagini di origine — una sola epoca, dimensione del batch 64, otto rollout per domanda — usando il codice EasyR1 incluso. La valutazione usa per impostazione predefinita temperatura 0 con il thinking di Q​wen3.5 disabilitato, e le domande OCR e di conteggio restano a risposta aperta mentre le domande sugli attributi diventano a scelta multipla. Niente di tutto ciò è insolito di per sé; ciò che è insolito è che la pipeline che ha generato i dati di addestramento ha generato anche il benchmark, e il paper lo dice esplicitamente.

Due numeri che non sono lo stesso numero

Su ZoomGainBench — il benchmark da 1.000 domande e 941 immagini, in inglese e cinese, costruito da questa stessa pipeline — ZoomGain-9B ottiene 55,48. Il suo modello base, Qwen3.5-9B, ottiene 32,13. Si tratta di un salto di 23,35 punti su un benchmark da cui sono stati estratti i dati di addestramento del modello stesso, e il paper etichetta la colonna "Held-in" proprio per questo motivo.

Il numero da portare in una decisione è la media su tredici benchmark che l'addestramento non ha mai toccato, il che esclude ZoomGainBench: 66,10 per ZoomGain-9B contro 59,75 per Qwen3.5-9B. Un guadagno medio di 6,35 punti da 9.000 campioni è un risultato solido e credibile. Entrambi i numeri sono reali. Rispondono a domande diverse, e qualsiasi pagina che citi 55,48 senza dire "held-in" ti sta raccontando solo metà della storia.

C'è una seconda stranezza nella stessa tabella che nessuno sembra aver ancora notato: il fratello minore batte il 9B sul benchmark held-in. ZoomGain-4B ottiene 55,81 su ZoomGainBench contro il 55,48 del 9B, mentre perde sulla media held-out, 63,96 contro 66,10. Sul benchmark costruito dalla distribuzione di training i due sono sullo stesso livello entro il rumore; una volta usciti da quella distribuzione, la dimensione si riafferma. Se doveste scegliere tra i due sulla base di un singolo numero di punta, scegliereste quello sbagliato.

Che cosa hanno dato 9.000 campioni, benchmark per benchmark

Tutti i seguenti sono dati riportati dagli autori dalla Tabella 3 dell'articolo, ottenuti con l'harness degli autori stessi sul valutatore rilasciato, e non riprodotti in modo indipendente da nessuno:

• HR-Bench 4K — 90,25, in aumento da 82,13. È il numero con cui si apre l'abstract, ed è l'affermazione più forte del comunicato.

• V*Bench — 93.19, in aumento da 86.91. Rilevamento di piccoli oggetti ad alta risoluzione.

• VisualProbe — 56,31, in aumento rispetto a 44,66. Il maggior guadagno relativo al di fuori del benchmark held-in.

• O3-Bench — 68,12, in aumento rispetto a 56,52. Percezione e ragionamento multi-step.

• MMVP — 70,00, in aumento rispetto a 60,00. Il classico test di immagini in coppia che differiscono per un dettaglio.

• MMStar — 73.87, in aumento da 71.73. Competenza multimodale generale, e il guadagno più piccolo del gruppo.

• BabyVision — 17,53, in aumento da 15,98. Ancora vicino al minimo, e un utile promemoria del fatto che i guadagni sono concentrati nella categoria dei dettagli fini anziché distribuiti uniformemente.

Letti insieme, lo schema è coerente con il metodo anziché con un incremento generalizzato delle capacità: i delta maggiori si collocano sui benchmark che premiano il trovare un piccolo elemento in un'ampia cornice, e i più piccoli su quelli che premiano un'ampia conoscenza del mondo e il ragionamento visivo ordinario. È questo l'aspetto che dovrebbe avere un run di RL mirato su 9.000 domande di dettaglio ritagliato.

Ciò che è conoscibile, ciò che viene affermato e ciò che semplicemente non è confermato

Oggi è possibile saperlo dal repository, senza doversi fidare della parola di nessuno: l'architettura, perché la configurazione è pubblica e identifica un tronco testuale Qwen3.5-9B a 32 livelli, dimensione nascosta 4.096, intermedia 12.288 e 262.144 posizioni massime, avvolto in una torre visiva; i dati di addestramento, perché il Parquet da 9.000 record e le immagini di origine sono distribuiti come dataset; il metodo, perché i prompt sono nell'appendice del paper; e la valutazione, perché il valutatore, le annotazioni e le immagini sono tutti scaricabili.

Dichiarati ma non confermati: tutti i punteggi di benchmark sopra. Il paper li riporta sull'harness rilasciato, il che li rende più verificabili della maggior parte delle tabelle dei fornitori — puoi rieseguirli — ma nessuno al di fuori della lista degli autori lo ha ancora fatto, e nessun laboratorio indipendente ha pubblicato un risultato di ZoomGain-9B.

Non è affatto confermato, e vale la pena essere schietti:

• La licenza del checkpoint. Il codice è Apache 2.0 e la card lo dichiara. La card rimanda poi ai termini del modello e dei dataset con "le card di Hugging Face per i termini di ciascun dataset e checkpoint", e il repository del checkpoint non riporta alcun tag di licenza nei metadati dell'Hub. È una lacuna da colmare leggendo i file prima di distribuire, non una promessa su cui potersi basare.

• La lunghezza del contesto. La card non ne dichiara alcuna. Le 262.144 posizioni massime della configurazione sono ereditate dal tronco Qwen3.5-9B, il che non equivale a una proprietà testata del checkpoint post-addestrato, e ogni valutazione nel paper riguarda una singola immagine con la modalità thinking disabilitata.

• Comportamento generale dell'assistente. Nulla, nei test di rilascio, riguarda la chat, la chiamata di strumenti, la generazione di testi lunghi o l'uso multi-turno. Il modello è stato addestrato a rispondere a domande sulle fotografie, e questa è l'unica capacità supportata da prove.

• Qualsiasi host. La mappatura dei provider dell'Hub per il repository è vuota. Non è elencata alcuna API del fornitore né alcun endpoint di terze parti, quindi "provalo" al momento significa "scaricare 18,82 GB".

Lo eseguo questa settimana, se vuoi

Il percorso GGUF è quello economico: una build Q4_K_M da 5,63 GB più un proiettore mmproj da 0,52 GB, oppure 9,53 GB a Q8_0, oppure 17,92 GB a F16. L'input di immagini richiede entrambi i file — il proiettore non è opzionale, e una build di llama.cpp con supporto multimodale per Qwen3.5 è il prerequisito. Il percorso di riferimento è più pesante ma meglio documentato: vLLM 0.19.1 con transformers 5.7.0, esattamente le versioni con cui gli autori hanno valutato, su un checkpoint BF16 che richiede come minimo una scheda da 24 GB e un margine di riserva confortevole oltre quello.

Vale la pena considerare nel budget anche il protocollo di valutazione, oltre ai pesi. Gli autori eseguono a temperatura 0 con il thinking disabilitato e valutano le domande sugli attributi tramite corrispondenza esatta sull'opzione scelta, il conteggio tramite corrispondenza esatta sull'intero previsto e l'OCR tramite ANLS con una soglia minima di 0,7. Se valuti con il thinking attivo, o con un template di prompt diverso, stai misurando qualcosa che gli autori non hanno riportato e non dovresti aspettarti che i loro numeri siano trasferibili.

OrcaRouter non ospita ZoomGain-9B, e questo pezzo non ha intenzione di far finta del contrario. Quello che abbiamo è una chiave per oltre 200 modelli al prezzo di listino del provider, senza alcun ricarico aggiunto, il che qui conta per una ragione specifica e pratica: il modo più rapido per scoprire se gli errori della tua pipeline sono errori di dettaglio fine è far passare le stesse immagini attraverso un modello vision ospitato e confrontare i casi di errore. Qwen3-VL-8B-Instruct nel nostro catalogo costa $0,18 per milione di token in input e $0,70 per milione in output con una finestra di contesto di 131K, accetta immagini e video, e non sarà all'altezza di un modello addestrato su domande estratte da ritagli — ma ti dirà nel giro di un pomeriggio se vale la pena comprare la GPU.

Cosa cambierebbe questa storia?

Quattro cose, in ordine crescente di quanto conterebbero. Un annuncio da inclusionAI, che trasformerebbe la lettura di un repository in un lancio e probabilmente arriverebbe con un chiarimento sulla licenza. Un tag di licenza del checkpoint, che risolverebbe l'unica questione che attualmente blocca l'adozione commerciale. Un endpoint ospitato, che rimuoverebbe la barriera dei 18,82 GB per tutti coloro che non possiedono l'hardware. E una valutazione indipendente, ed è quella che farebbe davvero la differenza: l'affermazione che un modello 9B raggiunga 90,25 su HR-Bench 4K è il tipo di numero che o sopravvive a un secondo laboratorio o svanisce silenziosamente.

Fino ad allora, il riassunto onesto è che ZoomGain-9B è un rilascio di ricerca ben documentato, con un metodo leggibile, un harness riproducibile, una suddivisione held-in/held-out insolitamente onesta e nessuna terza parte che lo avalli. È più di quanto offrano la maggior parte dei rilasci silenziosi, e meno di un prodotto.