ZoomGain-4Bの記事のタイトルカード:見出しはZoomGain-4B、サブタイトルは「inclusionAIが2026年11月11日に重みを公開し、何も発表しなかった」、3つのチップは「4.54Bパラメータ」「視覚言語」「ホスト型APIなし」。
Engineering & Research

ZoomGain-4Bは11月11日、何の告知もないまま出荷された

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

最初のコミットはinclusionAI/ZoomGain のもので、2026-11-09 02:13 UTC のタイムスタンプが付いており、そのメッセージは「Release ZoomGain init.」です。また、ZoomGain-4B の重みは 2026-11-10 11:38 UTC に Hugging Face に公開されました。arXiv の掲載、評価セット、そしてそれを生み出した強化学習コーパスはすべて 2026-11-11 付で、モデルカードが最後に更新されたのと同じ日です。私が探した限りどこにも見当たらなかったのは、ローンチ投稿です。inclusionAI のサイトにニュース項目はなく、組織の Hugging Face プロフィールにもリポジトリ自体以外の告知はなく、ホストされたエンドポイントもなく、誰による報道もありません。ZoomGain-4B は Qwen3.5-4B を土台に強化学習で構築された視覚言語モデルであり、今朝時点でその存在を知っているのは、偶然リポジトリの一覧を見た人だけです。これはリポジトリに書かれていることを伝える記事です。以下のすべての数値は、自分で確認できるタイムスタンプか、著者らが自身のカードに載せた数値のいずれかであり、それが不十分な箇所はその旨が示されています。

詳細より先に全体像をつかみたい読者向けに言えば、このモデルは4.54Bパラメータのマルチモーダルチェックポイントで、細かな視覚的ディテールに関する多肢選択式の質問に答えます。たとえば、写真の中の小さな文字、雑然とした場面での物体数、切り抜いて拡大しないと判読できない属性などです。著者らの主張は、画像全体を見る視覚モデルは、同じ領域を拡大すれば完璧に読めるディテールを見落とすということ、そしてこのギャップを学習信号に変えられるということです。彼らはその後、同じ仕組みから1,000問のベンチマークを作成し、そのベンチマークで学習済みの4Bは55.81を記録し、学習元のモデルは30.03でした。この2つの数値が主張の根拠のすべてであり、ただし、論文自身が述べている注意点が付きます。ベンチマークは学習データと同じパイプラインで構築されており、論文ではこれを「held-in」と呼んでいます。

何が反映されたか、そしてタイムスタンプが示すもの

誰も発表していないものにしては、このリリースは異常なほど完成度が高い。6つの成果物、いずれも48時間以内に:

• 本論文。"ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision," arXiv 2611.14076、2026年11月10日投稿、Haozhan Shen、Liangbo He、Jun Lan、Huijia Zhu、Weiqiang Wang、Tiancheng Zhao、Jianwei Yin 著。著者7名、cs.CV および cs.AI。

• 4Bチェックポイント。 inclusionAI/ZoomGain-4B、BF16のsafetensors。ファイルのメタデータでは、4,539,265,536個のパラメータがカウントされています。コードはApache 2.0です。カードでは、チェックポイントとデータセットの条件をそれぞれのリポジトリに委ねています。

• 9Bチェックポイント。 inclusionAI/ZoomGain-9B、パラメータ数9,409,813,744、小型の兄弟モデルの4分後に作成されました。

• 量子化ビルド。 ZoomGain-4B-GGUFは2026-11-11 03:09 UTCに、3つの精度と対応するビジョンプロジェクター付きで公開されました:Q4_K_Mは2.71 GB、Q8_0は4.48 GB、F16は8.42 GBで、それぞれにmmprojファイル(画像エンコーダー用)が付属しています。その後、9B GGUFが続きました。

• ベンチマーク。 inclusionAI/ZoomGainBench、941枚の画像にわたる1,000件の質問、各項目の英語と中国語のテキスト、さらに参照回答、採点ルール、ピクセル座標による証拠のバウンディングボックス。

• トレーニングデータ。 inclusionAI/ZoomGain-RL-Data、Parquet形式の9,000件のレコードと7,713枚のソース画像があり、トレーニングスクリプトが期待する報酬メタデータが含まれています。

この静けさは謎でもなければ不穏なものでもない。それは、誰かがブログ記事を書く前に論文がarXivに公開されたときの、研究グループの内部リリースが示す姿だ。兆候はすべて揃っている。11月11日朝の3つのコミットはどれも14分間隔で「update readme」というタイトルになっており、GitHubリポジトリにはスターが3個しかなく説明欄も埋められておらず、両方のチェックポイントリポジトリはダウンロード数ゼロ・いいねゼロで、4Bモデルのページには空または欠落したYAMLメタデータに関する警告が表示されている。それらのどれもモデルに関する証拠ではない。リリースの進め方に関する証拠だ。

Screenshot of the inclusionAI/ZoomGain-4B model card on Hugging Face, captured 11 November 2026, showing the repository header, the parameter metadata and the opening of the model card text.

その方法を3つの動きで

ZoomGainの興味深い点はモデルではなく、質問がどのように作られたかにある。パイプラインは3つの段階で実行され、従来型なのは最初の段階だけだ。

• ターゲットをグラウンディングする。複数のモデルが、シーン全体で記述された領域をそれぞれ独立に特定します。モデル間で一致した場合、その一致が保持すべきクロップと見なされます。不一致をフィルターとして用いることで、単一モデルの盲点がターゲット集合を定義することはありません。

• 証拠を掘り出す。同じ領域のキャプションを2つのズームレベルで比較する。クロップによって明らかになり、全体画像では明らかにならないものは、全体画像に関する質問に変換される。これがタイトルが指す「グローバルからズーム」のギャップを生み出す仕組みである。その質問は答えられるが、モデルが知覚の端にある何かを解決できた場合に限られる。

• 検証とディストラクター生成。 回答はクロップ画像と照合され、曖昧な質問は除外され、画像なしで回答できる質問は除外され、多肢選択式のディストラクターが生成される。アブレーションは、この最後のステップが実際に寄与していることを示している——専用のディストラクターを削除すると、held-in ベンチマークで 8.96 ポイントを失い、これは論文が報告する中で最大の単一低下である。

学習自体は特殊ではない。同梱の EasyR1 フレームワークによる GRPO で、1 エポック、バッチサイズ 64、質問ごとに 8 回のロールアウトを行い、9,000 件のレコードで 140 ステップになる。リポジトリには、ロールアウト、報酬、チェックポイント保存を含む 1 ステップを実行するスモークテストと、両方のサイズ向けの完全なランチャーが含まれている。PyTorch 2.10、FlashAttention 2.8.3、vLLM 0.19.1、transformers 5.7.0 — すべて固定されており、これが再現できるリポジトリと単に説明しているだけのリポジトリの違いだ。

重要な数字と、それを縮める但し書き

ZoomGainBenchは意図的に難しく作られている。このベンチマークで最強のモデルはGPT-5.6-Solで総合61.08、これは写真に関する多肢選択問題で100点中61.08である。Claude-Opus-5は59.86、Gemini-3.6-Flashは59.41。表の中で最高のオープンな汎用視覚モデルである1250億パラメータのQwen3.8-Flash-Nextは55.05に達する。9,000サンプルで訓練された40億パラメータのモデルは55.81に達する——125Bの汎用モデルを上回り、2.8兆パラメータのKimi-K3を上回り、3200億パラメータのGLM-5.3-Flashを上回る。

その数字が独立したハーネスとの接触に耐えていたなら、今月の話題になっていただろう。しかし現時点ではそうなっていない。その理由は論文が率直に認めている。ZoomGainBenchは訓練データを生成したのと同じパイプラインで構築されており、論文自身のアブレーション表でも「Held-in」という見出しの列に載っている。質問は訓練用の質問ではないが、同じ仕組みによって同じ分布から抽出されている。その分布で微調整されたモデルは、ゼロショットで評価されるモデルにはない優位性を持ち、その優位性の大きさこそ、今日inclusionAIの外部の誰にも測定できないものである。

ホールドアウトの証拠は派手さに欠けるが、より説得力がある。論文は10個のホールドアウトベンチマークにおける平均を報告している。未訓練のQwen3.5-4Bで54.20、ZoomGainで訓練した4Bで60.96だ。訓練時に一度も見ていないベンチマークで平均6.76ポイント向上というのは、確かな成果ではある。ただし、それは2.8兆パラメータのモデルを打ち負かしたという主張とは同じではない。

また、この優位性が一様でないことも特筆に値する。論文のメイン表全体で、4Bを自身のベースと比較すると:

• 大幅な向上。Visual Probe は 43.30 から 57.28 へ。O3-Bench は 54.20 から 63.19 へ。Zoom Bench は 48.88 から 59.88 へ。HR-Bench 4K は 81.25 から 87.25 へ。BabyVision は 14.69 から 21.13 へ。

• 中程度の向上。 MME-RealWorld-Lite 57.89→61.59。MMStar 66.80→72.53。HR-Bench 8K 77.63→83.88。MMVP 57.33→61.33。

• 回帰が1件。TreeBench形式の「Tree」は、トレーニング前が49.38、後が49.14。0.24ポイントの低下は十分にノイズの範囲内だが、表から外されているのではなく表に含まれている。これはその表について良い兆候だ。

Single-column scoreboard card titled ZoomGain-4B: what the repository says, with six rows: Parameters 4.54B, Parent model Qwen3.5-4B, ZoomGainBench 55.81 held-in, ten held-out benchmarks 60.96 versus 54.20, Hosted API none, Announcement none found, plus a footer noting the figures are vendor-reported and unaudited.

何が本当に確認されていないのですか?

4つのことです。しかも、それらはいつもの免責事項以上に重要です。

独立した評価は存在しない。 第三者による数値は一つもない。55.81、平均60.96、9BがHR-Bench 4Kで到達する90.25——そのすべては、著者たちが自らのモデルを自らのハーネスで測定したものだ。論文としては普通のことだし、何か問題がある証拠でもない。ただ、これらの数値は主張として読むべきだということを意味している。

ホストされたエンドポイントはありません。どちらのチェックポイントにも推論プロバイダーの記載がありません。APIもプレイグラウンドも料金表も存在しません。今後1か月以内にこのモデルを使いたいのであれば、8.42 GBをダウンロードして自分で実行することになります。

名前がパラメータ数と三つの箇所で食い違っている。 モデル名は4B、GGUFカードは4B、リポジトリのバッジは5B、そして実際のsafetensorsの合計は4.54Bだ。余分な5億は視覚エンコーダーとプロジェクターによるもので、これはありふれた説明ではある——しかし、初日から一つの数字を一致させられないカードは校正されていないのであり、残りのどこまでを信頼するかを決めるときにそれを考慮するのは妥当なことだ。

意図に関する表明はありません。 30Bは登場するのでしょうか。ホスト版は? ホールドアウトベンチマークを備えたv2は? リポジトリには何も書かれていません。READMEの更新ログには3行が記載されており、いずれも2026.11.11付で、次に何が来るかではなく、何がリリースされたのかだけを説明しています。

Screenshot of the inclusionAI/ZoomGain GitHub repository, captured 11 November 2026, showing the repository name, description, commit history and file listing at the top level.

今日、ベンダーなしでそれを実行する

GGUF の経路は実用的な選択肢であり、厳格な前提条件があります。Qwen3.5 のマルチモーダル対応を備えた llama.cpp ビルドが必要です。カードには、言語モデルと mmproj プロジェクターが別ファイルであり、画像入力には両方が必要であることが明記されています。CLI の例では -m をモデルに、--mmproj をプロジェクターに、--image を画像に渡し、温度 0、思考無効で実行します。これは評価ハーネスの既定値でもあります。llama-server はポート 8080 で同じように動作します。Q4_K_M では、言語モデル 2.71 GB にプロジェクターを加えたものを保持することになり、ラップトップに余裕で収まります。F16 では 8.42 GB にプロジェクターを加えたものになり、ワークステーションか単一のミッドレンジ GPU 向けの規模です。

大量の処理を行う場合、vLLM 0.19.1とtransformers 5.7.0の組み合わせがサポート対象スタックであり、リポジトリ付属の評価スクリプトはMODEL_PATH、GPUSリスト、およびLANGUAGEスイッチを受け取ります。このスイッチは2,000タスクに対して英語のみ、中国語のみ、または両方を実行します。報告された数値をご自身のハードウェアで再現するには十分な足場であり、これはほとんどの静かなリリースが提供する以上のものです。

アプローチに価値があるかどうかを確かめるためにGPUを立ち上げるのは避けたいなら、正直な暫定策は、今日すぐ呼び出せるホスト型ビジョンモデルに対して crop-and-ask ループを試作することです。当社のカタログには Qwen3-VL-8B を100万トークンあたり入力$0.18、出力$0.70で掲載しており、また Qwen3.5 系の qwen3.5-35b-a3bを入力$0.057、出力$0.459から提供しています — キーは1つだけ、ベンダーごとの契約は不要で、最初のモデルが停滞したら2番目のモデルにフェイルオーバーするルーティングルール付きです。ZoomGain-4B 自体は当社のカタログにはなく、そうでないふりをするつもりはありません。ホスト型モデル経由の回り道の狙いは、自前ホストの4Bに1週間を費やす前に、細部を問う質問こそがあなたの製品が実際に誤っている点なのかどうかを確かめることです。その4Bは、せいぜい自分の親モデルよりもうまくそれらに答えるだけなのですから。

何があれば、これは好奇心から意思決定へと変わるのだろうか

3つのシグナルを、それぞれがどれだけのことを教えてくれるかの順に挙げる。第一に、パイプラインに何の利害関係も持たない誰かによるZoomGainBenchの独立した実行だ。ベンチマークは公開されており、ハーネスはリポジトリ内にあり、参入障壁はGPU1台と半日程度なので、これは他のどれよりも先に起きる可能性が高い。第二に、ホールドアウトの拡張だ。もし著者らが、自分たちが構築に関与していないベンチマークで評価するという明白な反論に答えるなら、55.81は自分たちのテストセットについての数字ではなくなる。第三に、ホスト型デプロイだ。これは、重みが単にダウンロード可能なだけでなく、許容できるレイテンシで実際に提供可能であることを教えてくれるだろう。

そのうちのどれかが実を結ぶまでは、ZoomGain-4Bを正しく説明する言葉は「{{1}}小型視覚モデルがフロンティアを超える{{/1}}」ではない。こうだ。研究グループが、学習に使っていない10個のベンチマークで4B視覚モデルを平均6.76ポイント引き上げる学習レシピを公開し、同時に、同じ手法が同じ作り方の質問ではるかに大きな数値を生み出すことを示すベンチマークも公開した。前半が発見で、後半がマーケティングであり、しかも後者はプレスリリースなしで届いた。この2つが届く順番としては、少なくとも新鮮だ。