Karta tytułowa artykułu ZoomGain-4B: nagłówek ZoomGain-4B, podtytuł o treści „inclusionAI opublikowała wagi 11 listopada 2026 i nie ogłosiła nic” oraz trzy plakietki: „4,54 mld parametrów”, „Wizja i język” i „Brak hostowanego API”.
Engineering & Research

ZoomGain-4B trafił do sprzedaży 11 listopada bez żadnego oficjalnego ogłoszenia

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Pierwszy commit w inclusionAI/ZoomGainma datę 2026-11-09, 02:13 UTC, a jego wiadomość brzmi „Release ZoomGain init.”. Wagi dla ZoomGain-4Bpojawiły się na Hugging Face 2026-11-10 o 11:38 UTC. Wpis na arXiv, zestaw ewaluacyjny oraz korpus uczenia ze wzmocnieniem, który go wytworzył, są datowane na 2026-11-11 — tego samego dnia, w którym ostatnio zmieniano kartę modelu. Tym, co się nie pojawiło nigdzie, gdzie udało mi się zajrzeć, jest post premierowy. Nie ma żadnej wiadomości na stronie inclusionAI, żadnego ogłoszenia na profilu organizacji na Hugging Face poza samym repozytorium, żadnego hostowanego endpointu ani żadnej publikacji na ten temat. ZoomGain-4B to model wizyjno-językowy zbudowany przez uczenie ze wzmocnieniem na bazie Qwen3.5-4B, a od dziś rano jedynymi osobami, które wiedzą o jego istnieniu, są ci, którzy przypadkiem zajrzeli na listę repozytoriów. To artykuł typu „co mówi repo”: każda liczba poniżej to albo znacznik czasu, który możesz sprawdzić sam, albo liczba, którą autorzy umieścili na własnej karcie, a miejsca, w których to nie wystarcza, są tak oznaczone.

Dla czytelnika, który chce poznać ogólny kształt, zanim przejdzie do szczegółów: model to multimodalny checkpoint o 4,54 miliarda parametrów, który odpowiada na pytania wielokrotnego wyboru dotyczące drobnych szczegółów wizualnych — niewielkiego tekstu na fotografii, liczby obiektów w zatłoczonej scenie, atrybutu czytelnego dopiero po zbliżeniu. Twierdzenie autorów jest takie, że model wizyjny patrzący na pełny obraz pomija szczegóły, które potrafi bez problemu odczytać, gdy ten sam obszar zostanie powiększony, i że tę lukę można zamienić w sygnał treningowy. Następnie zbudowali za pomocą tego samego mechanizmu benchmark składający się z 1000 pytań i na tym benchmarku wytrenowany model 4B uzyskuje 55,81 wobec 30,03 dla modelu, z którego go wytrenowano. Te dwie liczby stanowią cały argument, któremu towarzyszy zastrzeżenie, które sama praca formułuje: benchmark jest zbudowany z użyciem tego samego potoku co dane treningowe, co praca nazywa „held-in”.

Co weszło i co mówią znaczniki czasu

To wydanie jest nietypowo kompletne jak na coś, czego nikt nie zapowiedział. Sześć artefaktów, wszystkie w ciągu 48 godzin:

• Artykuł. „ZoomGain: wydobywanie luk w percepcji globalnej i powiększeniowej na potrzeby drobnoziarnistego nadzoru wizualnego”, arXiv 2611.14076, przesłany 10 listopada 2026 r., autorstwa: Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao i Jianwei Yin. Siedmiu autorów, cs.CV i cs.AI.

• Checkpoint 4B. inclusionAI/ZoomGain-4B, safetensors w BF16. Metadane pliku podają liczbę 4,539,265,536 parametrów. Apache 2.0 dla kodu; karta modelu odsyła warunki dotyczące checkpointu i zbioru danych do ich własnych repozytoriów.

• Punkt kontrolny 9B. inclusionAI/ZoomGain-9B, 9 409 813 744 parametrów, utworzony cztery minuty po swoim mniejszym odpowiedniku.

• Wersje skwantyzowane. ZoomGain-4B-GGUF pojawił się 2026-11-11 o 03:09 UTC w trzech precyzjach oraz z dopasowanymi projektorami wizyjnymi: Q4_K_M o rozmiarze 2,71 GB, Q8_0 o rozmiarze 4,48 GB, F16 o rozmiarze 8,42 GB, każda wraz z plikiem mmproj dla enkodera obrazu. Następnie pojawił się 9B GGUF.

• Benchmark. inclusionAI/ZoomGainBench, 1000 pytań do 941 obrazów, tekst angielski i chiński dla każdego elementu, a także odpowiedź referencyjna, reguła punktacji i ramka ograniczająca dowód we współrzędnych pikselowych.

• Dane treningowe. inclusionAI/ZoomGain-RL-Data, 9 000 rekordów i 7 713 obrazów źródłowych w formacie Parquet, wraz z metadanymi nagród, których oczekuje skrypt treningowy.

Ta cisza nie jest zagadką i nie ma w niej nic złowieszczego. Tak właśnie wygląda wewnętrzne wydanie grupy badawczej, gdy artykuł trafia na arXiv, zanim ktokolwiek napisze wpis na blogu. Wszystkie sygnały są obecne: trzy commity rankiem 11 listopada mają tytuł „update readme” i dzieli je czternaście minut, repozytorium GitHub ma trzy gwiazdki i niewypełnione pole opisu, oba repozytoria checkpointów pokazują zero pobrań i zero polubień, a strona modelu 4B zawiera ostrzeżenie o pustych lub brakujących metadanych YAML. Nic z tego nie jest dowodem na temat modelu. To dowód na temat samego wdrożenia.

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.

Metoda w trzech krokach

Interesującą częścią ZoomGain nie jest model, lecz sposób tworzenia pytań. Potok przetwarzania działa w trzech etapach i tylko pierwszy z nich jest konwencjonalny.

• Wyznacz cel na podstawie gruntu. Kilka modeli niezależnie lokalizuje region opisany w pełnej scenie. Tam, gdzie się zgadzają, ta zgodność jest uznawana za wycinek wart zachowania. Wykorzystanie niezgodności jako filtra oznacza, że martwe pole żadnego pojedynczego modelu nie definiuje zestawu docelowego.

• Wydobywaj dowody. Podpisy tego samego obszaru są porównywane na dwóch poziomach powiększenia. To, co ujawnia kadr, a czego nie ujawnia pełny obraz, zamienia się w pytanie dotyczące pełnego obrazu. To mechanizm, który tworzy lukę „global-to-zoom”, do której odnosi się tytuł: na pytanie można odpowiedzieć, ale tylko wtedy, gdy model rozpozna coś na granicy swojej percepcji.

• Weryfikacja i dystraktory. Odpowiedzi są weryfikowane krzyżowo z przyciętym obrazem, pytania niejednoznaczne są odrzucane, pytania, na które można odpowiedzieć całkowicie bez obrazu, są odrzucane, a dystraktory do pytań wielokrotnego wyboru są generowane. Ablacja pokazuje, że ten ostatni krok naprawdę coś wnosi — usunięcie dedykowanych dystraktorów kosztuje 8,96 punktu na benchmarku held-in, co jest największym pojedynczym spadkiem raportowanym w artykule.

Samo szkolenie nie jest egzotyczne. GRPO za pomocą dołączonego frameworka EasyR1, jedna epoka, rozmiar partii 64, osiem rolloutów na pytanie, co daje 140 kroków na 9000 rekordów. Repozytorium zawiera test dymny, który wykonuje pojedynczy krok obejmujący rollout, nagrodę i zapis punktu kontrolnego, oraz pełne launchery dla obu rozmiarów. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 i transformers 5.7.0 — wszystkie przypięte, co stanowi różnicę między repozytorium, które odtwarza, a takim, które jedynie opisuje.

Liczba, która ma znaczenie, i zastrzeżenie, które ją pomniejsza

ZoomGainBench jest celowo trudny. Najmocniejszym modelem na nim jest GPT-5.6-Sol z wynikiem 61,08 ogółem, a jest to 61,08 na 100 w pytaniach wielokrotnego wyboru dotyczących fotografii. Claude-Opus-5 plasuje się na 59,86, Gemini-3.6-Flash na 59,41. Najlepszy otwarty ogólny model wizyjny w tabeli, Qwen3.8-Flash-Next z 125 miliardami parametrów, osiąga 55,05. Model z 4 miliardami parametrów wytrenowany na 9000 próbek osiąga 55,81 — powyżej 125-miliardowego modelu ogólnego przeznaczenia, powyżej Kimi-K3 z 2,8 biliona parametrów, powyżej GLM-5.3-Flash z 320 miliardami.

Gdyby ta liczba przetrwała zetknięcie z niezależnym harnessem, byłaby sensacją miesiąca. Jeszcze tak nie jest, z powodu, o którym praca mówi otwarcie. ZoomGainBench jest konstruowany przez ten sam pipeline, który wytworzył dane treningowe, a własna tabela ablacji w pracy wymienia go w kolumnie zatytułowanej „Held-in”. Pytania nie są pytaniami treningowymi, ale pochodzą z tego samego rozkładu, wytworzone przez tę samą maszynerię. Model dostrojony na tym rozkładzie ma przewagę, której nie ma model oceniany zero-shot, a jej wielkości dokładnie nikt spoza inclusionAI nie potrafi dziś zmierzyć.

Dowody z odłożonego zbioru są mniej spektakularne i bardziej przekonujące. W artykule podano średnią z dziesięciu odłożonych benchmarków: 54,20 dla niewytrenowanego Qwen3.5-4B, 60,96 dla Qwen3.5-4B wytrenowanego przez ZoomGain. Średni wzrost o 6,76 punktu na benchmarkach, których trening nigdy nie widział, to realny wynik. To po prostu nie jest to samo twierdzenie co pokonanie modelu z 2,8 biliona parametrów.

Warto również zauważyć, że ta przewaga nie jest jednolita. Porównując model 4B z jego własną bazą w głównej tabeli artykułu:

• Znaczące wzrosty. Visual Probe od 43,30 do 57,28. O3-Bench od 54,20 do 63,19. Zoom Bench od 48,88 do 59,88. HR-Bench 4K od 81,25 do 87,25. BabyVision od 14,69 do 21,13.

• Umiarkowane wzrosty. MME-RealWorld-Lite 57,89 do 61,59. MMStar 66,80 do 72,53. HR-Bench 8K 77,63 do 83,88. MMVP 57,33 do 61,33.

• Jedna regresja. „Tree” w stylu TreeBench wynosi 49,38 przed treningiem i 49,14 po nim. Spadek o 0,24 punktu, dobrze w granicach szumu, ale jest w tabeli, a nie poza nią, co dobrze świadczy o tabeli.

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.

Co tak naprawdę nie zostało potwierdzone?

Cztery rzeczy i mają one większe znaczenie niż zwykłe zastrzeżenie.

Nie istnieje niezależna ocena. Ani jednej liczby od strony trzeciej. 55.81, średnia 60.96, 90.25, które 9B osiąga na HR-Bench 4K — wszystko to autorzy mierzący własny model we własnym środowisku testowym. To normalne w przypadku publikacji i nie jest dowodem na to, że coś jest nie w porządku. Oznacza to jednak, że liczby należy czytać jako twierdzenia.

Brak hostowanego punktu końcowego. Żaden z checkpointów nie wymienia dostawcy inferencji. Nie ma API, playgroundu ani cennika. Jeśli chcesz korzystać z tego modelu w ciągu najbliższego miesiąca, pobierasz 8,42 GB i uruchamiasz go samodzielnie.

Nazwa nie zgadza się z liczbą parametrów w trzech miejscach. Model nazywa się 4B, karta GGUF podaje 4B, plakietka repozytorium mówi 5B, a rzeczywista suma w safetensors wynosi 4,54B. Te dodatkowe pół miliarda to enkoder wizyjny i projektor, co jest zwykłym wyjaśnieniem — ale karta, która nie potrafi utrzymać jednej liczby spójnej od pierwszego dnia, nie została sprawdzona, i to jest uczciwa rzecz do rozważenia, gdy decydujesz, jak bardzo zaufać reszcie.

Brak deklaracji intencji. Czy pojawi się wersja 30B? Wersja hostowana? Wersja v2 z benchmarkiem odseparowanym? Nic w repozytorium o tym nie mówi. Dziennik aktualizacji w README zawiera trzy wiersze, wszystkie datowane na 2026.11.11, i wszystkie opisują to, co zostało wydane, a nie to, co będzie dalej.

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.

Uruchamianie tego dziś, bez dostawcy

Ścieżka GGUF jest praktyczna i ma twardy warunek wstępny: potrzebna jest kompilacja llama.cpp z obsługą multimodalną Q​wen3.5. Karta wyraźnie mówi, że model językowy i mmproj projektor to osobne pliki, a wejście obrazu wymaga obu. Przykład CLI przekazuje -m dla modelu, --mmproj dla projektora, --image dla obrazu i działa w temperaturze 0 z wyłączonym myśleniem, co jest również domyślnym ustawieniem zestawu ewaluacyjnego. llama-server działa tak samo na porcie 8080. W Q4_K_M masz 2,71 GB modelu językowego plus projektor, co wygodnie mieści się na laptopie; w F16 masz 8,42 GB plus projektor, co oznacza stację roboczą lub jedną średniej klasy kartę GPU.

W przypadku dużego obciążenia obsługiwanym stosem jest vLLM 0.19.1 z transformers 5.7.0, a własny skrypt ewaluacyjny repozytorium przyjmuje MODEL_PATH, listę GPUS oraz przełącznik LANGUAGE, który uruchamia tylko angielski, tylko chiński albo oba dla 2000 zadań. To wystarczające rusztowanie, by odtworzyć raportowane liczby na własnym sprzęcie, co oferuje więcej niż większość cichych wydań.

Jeśli wolisz nie uruchamiać GPU, żeby przekonać się, czy to podejście jest cokolwiek warte, uczciwym krokiem pośrednim jest zaprototypowanie pętli przycinania i odpytywania wobec hostowanego modelu wizyjnego, który możesz wywołać już dziś. W naszym katalogu jest Qwen3-VL-8B w cenie 0,18 USD za wejście i 0,70 USD za wyjście za milion tokenów, a także linia Qwen3.5 od qwen3.5-35b-a3b w cenie 0,057 USD i od 0,459 USD w górę — jeden klucz, bez odrębnych umów z poszczególnymi dostawcami oraz reguła routingu, która przełącza na drugi model, jeśli pierwszy się zawiesi. Samego ZoomGain-4B nie ma w naszym katalogu i nie będę udawać, że jest inaczej; sensem hostowanego objazdu jest ustalenie, czy pytania o drobne szczegóły są tym, w czym twój produkt faktycznie się myli, zanim spędzisz tydzień na samodzielnie hostowanym 4B, który odpowiada na nie tylko lepiej niż jego własny model nadrzędny.

Co zmieniłoby to z ciekawostki w decyzję?

Trzy sygnały, uszeregowane według tego, ile by ci powiedziały. Po pierwsze, niezależne uruchomienie ZoomGainBench przez kogoś, kto nie jest w żaden sposób związany z pipeline — benchmark jest publiczny, harness znajduje się w repozytorium, a próg wejścia to GPU i jedno popołudnie, więc prawdopodobnie nastąpi to przed którymkolwiek z pozostałych. Po drugie, rozszerzenie o zbiór odłożony: jeśli autorzy odpowiedzą na oczywisty zarzut, oceniając na benchmarku, w którego tworzeniu nie brali udziału, 55,81 przestanie być liczbą dotyczącą ich własnego zbioru testowego. Po trzecie, wdrożenie hostowane, które powiedziałoby ci, że wagi rzeczywiście da się serwować przy akceptowalnym opóźnieniu, a nie tylko pobrać.

Dopóki któraś z tych rzeczy się nie przyjmie, poprawnym opisem ZoomGain-4B nie jest „mały model wizyjny bije frontier”. Jest nim: grupa badawcza opublikowała przepis treningowy, który podnosi wyniki 4B modelu wizyjnego średnio o 6,76 punktu na dziesięciu benchmarkach, na których go nie trenowano, i jednocześnie opublikowała benchmark pokazujący, że ta sama sztuczka daje znacznie większą liczbę na pytaniach skonstruowanych w ten sam sposób. Pierwsza połowa to odkrycie. Druga połowa to marketing, a pojawiła się bez komunikatu prasowego, co jest co najmniej odświeżająco nietypową kolejnością, w jakiej te dwie rzeczy się pojawiają.