ZoomGain-9Bは告知なしでリリースされていた：リポジトリが実際に示していること

論文は2026年11月10日にarXivに公開された。GitHubリポジトリはその前日、11月9日に作成され、最初のコミットのタイトルは「Release ZoomGain init」である。重みは11月10日11:42 UTCにHugging Faceに現れ、続いて11月11日03:16にGGUFリポジトリが登場した。ローンチブログ記事も、ベンダーによる発表も、ホストされたエンドポイントもなく、チェックポイントリポジトリ自体にライセンスタグもない。これが、Ant Groupのオープンモデル部門であるinclusionAIによる94億パラメータの視覚言語モデル、ZoomGain-9Bに関する公開記録のすべてであり、本稿がローンチ記事ではなくリポジトリ読解として書かれている理由である。

これが注目に値するのは、ステルスだからではない。誰も発表していないものとしては、リポジトリが異常なほど完成しているからだ。論文、1,000問のベンチマーク、9,000件の強化学習データセット、評価器、学習ランチャー、4Bと9Bの2つのチェックポイント、3つのGGUF量子化が、およそ2日以内にすべて公開された。今日、手法を読み、評価を再実行し、学習を再現できる。欠けているのは、企業の誰かがそれが存在すると言うことだけだ。

実際に何が届いたのか、順番に

• 2026年11月9日 — inclusionAI GitHubリポジトリが作成される。Apache 2.0ライセンスと、データ構築およびトレーニング用のコードを伴うが、重みは含まれない。

• 2026年11月10日 — arXiv:2611.14076v1、「ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision」（Haozhan Shen、Liangbo He、Jun Lan、Huijia Zhu、Weiqiang Wang、Tiancheng Zhao、Jianwei Yin 著、所属：Ant Group、Zhejiang University、Om AI Research、Binjiang Institute）

• 2026年11月10日 11:42 UTC — inclusionAI/ZoomGain-9B と inclusionAI/ZoomGain-4B が Hub 上に作成され、それぞれ単一の 18.82 GB と 9.08 GB の BF16 safetensors ファイルを備えています。

• 2026年11月11日 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF が、Q4_K_M、Q8_0、F16 ビルドと対応する mmproj プロジェクターファイルを伴って登場。これは研究用チェックポイントを、ノートPCでも試せるものへと変える一歩だ。

注目に値する小さなディテールがある。というのも、それはまさに協調的なローンチでは生まれない類のものだからだ。モデルカード自身の「Updates」セクションでは、論文、ベンチマーク、データセット、チェックポイントのすべてが2026.11.11と日付づけられている一方、リポジトリの作成タイムスタンプとarXivの投稿日はどちらも11月10日となっている。カードは後から、片付けのついでに誰かが一気に書き上げたものだ。

そのアイデアを1段落で。というのも、それは紛れもなく一つのアイデアなのだから。

視覚モデルは、画像のある領域についての質問には答えられるのに、同じ領域が全体フレームの中に現れると答えられないことがよくある。著者らはこれをグローバル・トゥ・ズーム知覚ギャップと呼び、教師信号に変えている。第1段階：複数のモデルが全シーンで記述されたターゲットを独立に特定し、それらの一致によって切り出す領域を決める。第2段階：切り出し画像のキャプションと全シーンのキャプションを比較し、切り出しでは明らかになるが全体像では明らかにならない細部があれば、それを元画像についての質問にする。第3段階：切り出し画像上で回答を再確認し、曖昧な質問や言語事前分布から答えられる質問を除外し、多肢選択形式用のもっともらしい誤答選択肢を生成する。

トレーニングは、7,713枚の元画像から構築された9,000件のレコードに対する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、同梱のEasyR1コードを使って行う。評価はデフォルトでtemperature 0、Qwen3.5のthinkingを無効にし、OCRと計数の質問は自由回答のまま、属性の質問は多肢選択になる。それ自体に珍しい点は何もない。珍しいのは、トレーニングデータを生成したパイプラインがベンチマークも生成しており、論文がそのことを明言している点だ。

同じ数ではない2つの数

ZoomGainBench — この同じパイプラインで構築された、1,000問・941画像の英語と中国語のベンチマーク — において、ZoomGain-9Bは55.48を記録します。そのベースモデルであるQwen3.5-9Bは32.13です。これは、モデル自身の訓練データが採掘されたベンチマークにおける23.35ポイントの跳ね上がりであり、論文がその列に「Held-in」というラベルを付けているのはまさにそのためです。

意思決定に持ち込むべき数値は、学習が一切触れていない13個のベンチマークの平均であり、これにはZoomGainBenchは含まれない。ZoomGain-9Bは66.10、Qwen3.5-9Bは59.75だ。9,000サンプルからの平均6.35ポイントの向上は、堅実で納得できる結果だ。どちらの数値も本物だ。それらは異なる問いに答えており、55.48を「held-in」と言わずに引用するページは、事実の半分しか伝えていない。

同じ表には、まだ誰も気づいていないように見えるもう一つの奇妙な点がある。小さい方の兄弟モデルが、held-inベンチマークで9Bを上回っているのだ。ZoomGain-4BはZoomGainBenchで55.81を記録し、9Bの55.48を上回る一方、held-out平均では63.96対66.10で負けている。訓練分布から作られたベンチマークでは両者はノイズの範囲内で同等だが、その分布を離れると、規模が再び優位に立つ。単一の代表的な数値の強さだけで二者を選ぶなら、間違った方を選ぶことになる。

9,000件のサンプルで何が得られたか、ベンチマークごとに見る

以下はすべて、論文の表3に記載された著者報告の数値であり、著者自身のハーネスによって公開済みの評価器上で実行されたもので、誰によっても独立に再現されていない：

• HR-Bench 4K — 90.25、82.13から上昇。これは論文要旨が冒頭に掲げる数値であり、今回の発表の中で最も力強い主張です。

• V*Bench — 93.19（86.91から向上）。高解像度での小物体検出。

• VisualProbe — 56.31、44.66から上昇。held-inベンチマーク以外では最大の相対的向上。

• O3-Bench — 68.12、56.52から上昇。多段階の知覚と推論。

• MMVP — 70.00（60.00から上昇）。1か所だけ細部が異なるペア画像を用いる定番のテスト。

• MMStar — 73.87（71.73から上昇）。汎用的なマルチモーダル能力で、このセットの中で最も小さい伸びです。

• BabyVision — 17.53（15.98から上昇）。依然として下限付近にとどまっており、改善が均等に広がっているのではなく、細部系のカテゴリに集中していることを教えてくれる有用な指標だ。

合わせて読むと、このパターンは汎用的な能力の底上げというよりも、この手法と一致している。最大の差分は、大きなフレームの中から小さなものを見つけることを評価するベンチマークにあり、最小の差分は、広範な世界知識と通常の視覚的推論を評価するベンチマークにある。これは、9,000 件のクロップ詳細質問に対する的を絞った RL 実行が示すべき姿である。

知り得ること、主張されていること、そして単に確認されていないこと

今日、誰かの言葉を鵜呑みにすることなく、リポジトリから知ることができる。{{1}}アーキテクチャ{{/1}}は、設定が公開されており、32層、隠れサイズ4,096、中間サイズ12,288、最大位置262,144のQwen3.5-9Bテキストトランクがビジョンタワーに包まれていることを示しているからだ。{{2}}学習データ{{/2}}は、9,000件のParquetレコードと元画像がデータセットとして同梱されているからだ。{{3}}手法{{/3}}は、プロンプトが論文の付録に載っているからだ。そして{{4}}評価{{/4}}は、評価器、アノテーション、画像がすべてダウンロード可能だからだ。

主張されているが未確認：上記のベンチマークスコアはすべて。論文はそれらを公開済みのハーネス上で報告しており、そのためほとんどのベンダー表より検証しやすい——再実行できる——が、著者リスト以外の誰もまだ再実行しておらず、独立した研究所がZoomGain-9Bの結果を公表したこともない。

まったく確認されていませんし、率直に言っておくべきことです：

• チェックポイントのライセンス。コードはApache 2.0で、カードにもそう記載されています。カードはさらに、モデルおよびデータセットの条件を「各データセットおよびチェックポイントの条件についてはHugging Faceのカード」に委ねており、チェックポイントリポジトリのHubメタデータにはライセンスタグがありません。これは、リリース前にファイルを読んで埋めるべき欠落であって、依拠できる約束ではありません。

• コンテキスト長。カードには何も記載されていない。設定上の最大位置数 262,144 は Qwen3.5-9B のトランクから継承されたものであり、事後学習済みチェックポイントで検証済みの特性とは同じではない。また、論文内のすべての評価は、thinking を無効にした単一画像によるものである。

• {{1}}一般的なアシスタント動作{{/1}}。{{2}}リリーステストでは、チャット、ツール呼び出し、長文生成、マルチターン利用のいずれもテストされていません。{{/2}}{{3}}このモデルは写真に関する質問に答えるように訓練されており、根拠がある能力はそれだけです。{{/3}}

• 任意のホスト。このリポジトリに対する Hub のプロバイダーマッピングは空です。ベンダー API もサードパーティのエンドポイントも登録されていないため、「試す」は現状「18.82 GB をダウンロードする」という意味になります。

今週やるよ、よければ

GGUF の経路は低コストな選択肢だ。5.63 GB の Q4_K_M ビルドと 0.52 GB の mmproj プロジェクター、または Q8_0 で 9.53 GB、F16 で 17.92 GB になる。画像入力には両方のファイルが必要で、プロジェクターは省略できず、Qwen3.5 のマルチモーダル対応を含む llama.cpp ビルドが前提条件となる。リファレンス経路はより重いが、ドキュメントは充実している。vLLM 0.19.1 と transformers 5.7.0 という、著者らが評価に用いた正確なバージョンを使い、BF16 チェックポイントには最低 24 GB のカードと、それを上回る快適な余裕が必要だ。

重みだけでなく、評価プロトコルにも予算を割く価値がある。著者らは温度0・thinking無効で実行し、属性質問は選択した選択肢の完全一致で、カウントは予測した整数の完全一致で、OCRは0.7を下限とするANLSで採点している。thinkingを有効にしたり、別のプロンプトテンプレートを使ったりして評価すると、著者が報告していないものを測っていることになり、彼らの数値がそのまま当てはまると期待すべきではない。

OrcaRouterはZoomGain-9Bをホストしていませんし、この記事もそうでないふりをするつもりはありません。あるのは200以上のモデルにまたがって、プロバイダーの定価のまま、マークアップなしで使える1つのキーです。これがここで具体的かつ実用的な理由で重要です。あなたのパイプラインのエラーが細部のエラーかどうかを知る最速の方法は、同じ画像をホスト型の視覚モデルに通し、失敗事例を比較することだからです。当社カタログのQwen3-VL-8B-Instructは、131Kコンテキストで入力トークン100万あたり$0.18、出力トークン100万あたり$0.70で、画像と動画を扱えます。作物から抽出した質問で学習したモデルには及ばないでしょう。ただし、GPUを買う価値があるかを半日で教えてくれます。

この物語を変えるものは何でしょうか

重要な度合いが低い順に、4つのこと。inclusionAIからの発表は、リポジトリを読むだけの状況をローンチへと変え、おそらくライセンスの明確化を伴って届くだろう。チェックポイントのライセンスタグは、現在商用採用を妨げている唯一の疑問を解決するだろう。ホスト型エンドポイントは、ハードウェアを持たないすべての人から18.82 GBの障壁を取り除く。そして独立した評価こそが、実際に状況を動かすものだ。9BモデルがHR-Bench 4Kで90.25に達するという主張は、別のラボでの検証に耐えるか、静かに消えるかのどちらかである。

それまでは、正直に要約すれば、ZoomGain-9B は十分に文書化された研究リリースであり、方法は読み取りやすく、再現可能なハーネスを備え、held-in/held-out の分割は異例なほど誠実で、しかもそのいずれについても第三者が後ろ盾になっているわけではない。これはほとんどの静かな公開より多く、製品よりは少ない。