ZoomGain-4B vs MiniCPM5 2B: Draagbaarheid is de benchmark die niemand publiceert

Op beide modelkaarten ontbreekt een getal, en dat is precies het getal dat de meeste implementaties bepaalt. MiniCPM5-2B wordt geleverd in GGUF-, MLX-, GPTQ- en LiteRT-builds, heeft een DSpark-conceptmodel voor speculatieve decoding en — het detail dat het meest zegt — bevat FlagOS-builds voor negen verschillende acceleratorfamilies, waaronder Ascend, Hygon, Kunlunxin en Metax. ZoomGain-4B wordt geleverd in GGUF met drie precisies en vereist, in de woorden van de kaart zelf, "een llama.cpp-build met Qwen3.5-multimodale ondersteuning." Een van deze modellen draait bijna overal. Het andere draait waar je een specifieke runtime kunt bouwen. Geen van beide kaarten noemt dit een benchmark, en voor iedereen die een model daadwerkelijk moet draaien in plaats van er alleen naar te verwijzen, is dit de rij die belangrijker is dan de nauwkeurigheidskolom van beide modellen.

Die framing is geen manier om de nauwkeurigheidsvergelijking te ontwijken — die komt later, en de nauwkeurigheidsvergelijking blijkt minder beslissend dan ze lijkt, omdat de twee modellen niet op dezelfde as worden gemeten en dat ook niet kunnen. MiniCPM5-2B van OpenBMB is een tekstmodel: 2,52 miljard parameters, uitgebracht op 6 september 2026, afgestemd op agents, tool calls, code en lange context. ZoomGain-4B van inclusionAI is een specialist in visie en taal, gepubliceerd op 11 november 2026 en getraind met reinforcement learning op vragen over fijne visuele details. Wat volgt is waarop elk wordt gemeten, wat het kost om elk op te zetten, en waar de eerlijke scheidslijn ligt.

De ontbrekende rij: wat er nodig is om elk ervan te draaien

Begin met de artefactenlijst, want dat is het meest concrete dat een van beide uitgevers je heeft gegeven.

• MiniCPM5-2B. Een dense causale transformer op de standaard LlamaForCausalLM-klasse — 42 lagen, GQA met 16 query-heads en 2 KV-heads, een context van 131.072 tokens, 2.516.756.480 parameters in totaal, waarvan 1.981.982.720 niet-embedding. Omdat de architectuur standaard is, erft hij elk servingpad dat iemand al voor Llama-vormige modellen heeft geschreven. De organisatie publiceert de SFT-, Midtrain- en Base-varianten als afzonderlijke repo's, plus GGUF-, MLX- en GPTQ-quantisaties, plus een DSpark-draftmodel voor speculatief decoderen, plus LiteRT voor Android op het toestel, plus een 1B-zustermodel met dezelfde set varianten.

• ZoomGain-4B. 4.539.265.536 parameters in BF16, verdeeld over een taalmodel en een aparte vision-encoder. Drie GGUF-precisies — Q4_K_M met 2,71 GB, Q8_0 met 4,48 GB, F16 met 8,42 GB — elk gekoppeld aan een mmproj projectorbestand waarvan de kaart zegt dat het verplicht is voor beeldinvoer. Geen MLX-build, geen GPTQ, geen ONNX, geen draftmodel. De enige genoemde runtime is llama.cpp met Q​wen3.5 multimodale ondersteuning, wat een strengere eis is dan het klinkt: je hebt een build nodig die recent genoeg is om de qwen35 architectuur te kennen, en de kaart zegt dat je beide bestanden expliciet moet aanleveren in plaats van naar een kant-en-klaar pad te verwijzen.

De asymmetrie is geen kritiek op inclusionAI. Van een visionmodel dat negen dagen geleden is gepubliceerd en nooit is aangekondigd, mag je niet verwachten dat het een Android-runtime heeft. Het is simpelweg de stand van zaken, en het betekent dat de twee modellen niet uitwisselbaar zijn op de dimensie die geld kost: MiniCPM5-2B draait op de hardware die je al hebt, inclusief een telefoon; ZoomGain-4B draait op een GPU, in een runtime die je mogelijk zelf moet compileren, en nergens anders.

Twee verschillende definities van "klein"

Beide worden kleine modellen genoemd, en het woord doet in elk geval verschillend werk.

• Parameters, eerlijk geteld. MiniCPM5-2B heeft 1,98B niet-embedding-parameters — het aantal dat de rekenlast per token bepaalt — binnen een totaal van 2,52B. ZoomGain-4B heeft 4,54B in totaal, en ongeveer een half miljard daarvan is de vision-encoder en projector. Haal de vision-stack weg en de twee taalbackbones verschillen qua grootte niet meer dan een afrondingsfout. Het verschil in gedrag komt van wat er bovenop is getraind, niet van schaal.

• Waar de training op gericht was.De kaart van MiniCPM5-2B noemt als sterkste gebieden code- en wiskunderedenering, begrip van lange contexten, toolgebruik en agentische taken, en noemt als doel lokale assistenten, codeeragenten en implementatie op het apparaat. De kaart van ZoomGain-4B gaat over één ding: of een model een vraag kan beantwoorden waarvan het antwoord alleen zichtbaar is wanneer je in de afbeelding zoomt.

• Wat elke uitgever ervoor koos om over te dragen. OpenBMB publiceerde de volledige variantenladder voor MiniCPM5 — base, midtrained, SFT, RL-plus-OPD final, plus een draftmodel en vooraf gebouwde binaries voor negen chipfamilies. inclusionAI publiceerde drie modelrepo's, twee datasets en een coderepository met de dataconstructiepipeline en de GRPO-launchers. De ene is een productlijn; de andere is een onderzoeksrelease met het labnotitieboek bijgevoegd.

• Licentie. MiniCPM5-2B is Apache 2.0 op de kaart, van toepassing op zowel de repository als de gewichten. De code van ZoomGain is Apache 2.0 en de checkpointvoorwaarden worden overgelaten aan de checkpoint-repository, die sinds deze week geen licentietag in de metadata heeft. Lees het bestand voordat je het uitbrengt.

De benchmarkkolommen, en waarom ze niet voldoen

Er is geen gedeelde benchmark tussen deze twee modellen. Niet één. ZoomGainBench is een set vragen over foto's en MiniCPM5-2B heeft geen beeldencoder; elke andere benchmark in de tabel van MiniCPM5 is tekst en ZoomGain-4B is nooit op een daarvan gedraaid. Dus in plaats van een rechtstreekse vergelijking, is dit wat elke uitgever daadwerkelijk heeft gemeten, bewust apart gehouden.

MiniCPM5-2B, volgens opgave van de leverancier, gemiddeld 53,9 over zijn suite:

• Code — LiveCodeBench v6 69,1, OJBench 32,5, SWE-bench Verified 46,4.

• Wiskunde — AIME 2025 86,5, AIME 2026 86,5, MATH-500 94,6.

• Kennis — MMLU-Pro 70,8, GPQA-Diamond 70,2.

• Lange context — AA-LCR 59.0, NoLiMa 68.1, LongBench v2 43.7.

• Gebruik van hulpmiddelen en agents — τ²-Bench Telecom 97,1, BFCL v4 66,6, BrowseComp-ZH 43,5, GAIA Text-103 88,7.

ZoomGain-4B, door de leverancier gerapporteerd:

• Perceptie, held-in-benchmark — 55,81 op ZoomGainBench tegenover 30,03 voor zijn Qwen3.5-4B-moedermodel.

• Perceptie, gemiddelde op niet-geziene data — 60,96 over tien benchmarks die de training nooit heeft gezien, tegenover 54,20 voor het moedermodel. Dat is de winst van 6,76 punten die het vermelden waard is.

• Individuele held-out-verschuivingen — Visual Probe 43,30 naar 57,28, O3-Bench 54,20 naar 63,19, HR-Bench 4K 81,25 naar 87,25, MME-RealWorld-Lite 57,89 naar 61,59.

Lees die twee lijsten naast elkaar en de vorm van de beslissing is duidelijk. MiniCPM5-2B is getest op zeventien zaken die voor een ontwikkelaar van belang zijn en scoort op bijna al die punten respectabel; de τ²-Bench Telecom-waarde van 97,1 en GAIA Text-103 met 88,7 zijn de uitschieters, en daarop rust zijn positionering. ZoomGain-4B is getest op perceptie en vrijwel niets anders, en de winst die het oplevert — gemiddeld ongeveer zeven punten, op ongeziene benchmarks — is reëel maar beperkt.

Als je één zin nodig had: MiniCPM5-2B is een generalistisch klein model met een ongewoon diep benchmarkoverzicht, en ZoomGain-4B is een specialist wiens gemiddelde winst van zeven punten onzichtbaar zou zijn op een generalistische ranglijst, omdat de generalistische ranglijst niet de vragen bevat waar hij goed in is.

Waar de twee daadwerkelijk naast elkaar zouden bestaan

De workloads waarbij beide het juiste antwoord zijn, hebben eenzelfde vorm: een document, een schermafbeelding, een foto, een formulier. Iets moet naar de afbeelding kijken en een waarde extraheren, en iets moet alles daarna doen — het schema parsen, de juiste tool aanroepen, valideren, opnieuw proberen, naar een mens doorsturen.

De extractie heeft de vorm van ZoomGain. Kleine tekst, strakke uitsneden, een antwoord dat ofwel juist ofwel fout is, en een model dat expliciet is getraind op het verschil tussen het lezen van een label in een uitsnede en het lezen van hetzelfde label in een volledig frame. De held-outcijfers van ZoomGain-4B op HR-Bench 4K (81,25 naar 87,25 na training) en MME-RealWorld-Lite zijn precies het profiel van een model dat beter werd in fijne details zonder slechter te worden in al het andere.

De rest is MiniCPM5-vormig, en bij toolgebruik is het ongewoon sterk voor zijn formaat — τ²-Bench Telecom op 97,1 is een aantal dat de meeste modellen die drie keer zo groot zijn niet halen, en BFCL v4 op 66,6 laat zien dat de functieaanroepen geen demo zijn.

Beide draaien betekent twee runtimes, twee licenties en een tweede ding dat kapot kan gaan. Het is ook waar een router zijn bestaan rechtvaardigt in plaats van een slogan te zijn: de image-call gaat naar het vision-endpoint, de tool-call-beurt gaat naar het goedkope tekst-endpoint, en een hapering op een van beide schakelt automatisch over naar de andere in plaats van zich als een 504 in je pipeline te manifesteren. Eén sleutel, één factuur, en de failover-logica op één plek in plaats van gedupliceerd in twee SDK's.

Het is goed om expliciet te zijn over wat we wel en niet in ons assortiment hebben. MiniCPM5-2B zit vandaag niet in onze catalogus. We hosten wel de Q​wen3.5-familie — de 35B-A3B voor $0.057 in en $0.459 out per miljoen tokens, de 27B voor $0.086 en $0.688, beide multimodaal — en die familie is de basis waarop ZoomGain-4B is getraind, wat hem de dichtstbijzijnde gehoste benadering maakt als je wilt testen of crop-and-ask je nauwkeurigheid verbetert voordat je je vastlegt op een zelfgehoste 4B. Voor het tool-calling-deel biedt dezelfde catalogus je vandaag iets om aan te roepen. Wat we niet kunnen, is ZoomGain-4B hosten, en geen enkele vorm van routing verandert dat: het is een download, geen API.

Het eerlijke oordeel

Kies MiniCPM5-2B als je een klein model wilt dat je deze week kunt uitrollen op hardware die je al bezit, in een runtime die al bestaat, met een Apache 2.0-licentie en een benchmarksheet die breed genoeg is om te voorspellen hoe het zich zal gedragen. Het is van de twee het afgewerkte object. Met zijn 1,98B niet-embedding-parameters is het goedkoop per token, zijn tool-calling-cijfers zijn het beste in zijn kolom, en dankzij de builds van chipfabrikanten is het geen datacenter-only aangelegenheid.

Kies ZoomGain-4B als de specifieke fout die je wilt elimineren visueel en fijnmazig is, en je bereid bent om een GPU te draaien met een niche-build van llama.cpp om die te verhelpen. De onderbouwing ervan rust op één geloofwaardig cijfer — een gemiddelde winst van 6,76 punten over tien niet-geziene perceptiebenchmarks op basis van 9.000 trainingssamples — en op een benchmark, data en testharnas waarmee je de claim zelf kunt controleren in plaats van erop te vertrouwen.

Kies geen van beide als je nog niet hebt gemeten wat je pipeline fout doet. De zwakste gepubliceerde resultaten van MiniCPM5-2B zijn op het gebied van zoekagenten en redeneren over lange documenten (BrowseComp-ZH 43,5, LongBench v2 43,7), en aan ZoomGain-4B is nog nooit een vraag gesteld die niet over een afbeelding ging. Een van beide kopen om een probleem op te lossen dat je nog niet hebt gekarakteriseerd, is hoe modellen met drie miljard parameters in productie belanden zonder iets te doen.

De weinig glamoureuze conclusie: de twee modellen zijn geen rivalen, maar twee aangrenzende fasen van hetzelfde werk, en de reden dat deze vergelijking steeds als een wedstrijd wordt neergezet, is dat benchmarks makkelijker te publiceren zijn dan overdraagbaarheid. MiniCPM5-2B wint de kolom die wordt gepubliceerd. ZoomGain-4B wint een kolom die nog niet bestaat, op één taak, met ongeveer zeven punten verschil, en brengt een runtime-vereiste mee die de meeste teams bij de deur zou tegenhouden.