ZoomGain-9B wydany bez zapowiedzi: co faktycznie mówi repozytorium

Praca pojawiła się na arXiv 10 listopada 2026 r. Repozytorium GitHub utworzono dzień wcześniej, 9 listopada, a jego pierwszy commit nosi tytuł „Release ZoomGain init”. Wagi pojawiły się na Hugging Face 10 listopada o 11:42 UTC, a następnie 11 listopada o 03:16 pojawiło się repozytorium GGUF. Nie ma wpisu na blogu z okazji premiery, ogłoszenia dostawcy, hostowanego endpointu ani znacznika licencji w samym repozytorium checkpointu. To cały publiczny zapis dotyczący ZoomGain-9B, 9,4-miliardowego modelu wizyjno-językowego od inclusionAI, jednostki Ant Group zajmującej się modelami otwartymi, i powód, dla którego ten tekst jest analizą repozytorium, a nie relacją z premiery.

To, co czyni to godnym uwagi, to nie skrytość. Chodzi o to, że repozytorium jest niezwykle kompletne jak na coś, czego nikt nie ogłosił: artykuł, benchmark 1000 pytań, zbiór danych do uczenia ze wzmocnieniem liczący 9000 rekordów, ewaluator, launcher treningowy, dwa checkpointy 4B i 9B oraz trzy kwantyzacje GGUF pojawiły się w ciągu mniej więcej dwóch dni. Metodę można przeczytać, ponownie uruchomić ewaluację i odtworzyć trening już dziś. Brakuje tylko kogoś z firmy, kto powie, że to istnieje.

Co faktycznie trafiło, po kolei

9 listopada 2026 r. — powstaje repozytorium inclusionAI na GitHubie. Jest objęte licencją Apache 2.0 i zawiera kod do konstruowania danych oraz trenowania, a nie wagi.

• 10 listopada 2026 — arXiv:2611.14076v1, „ZoomGain: Wydobywanie luk percepcyjnych między perspektywą globalną a powiększoną dla precyzyjnego nadzoru wizualnego”, autorstwa Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao i Jianwei Yin, z afiliacjami w Ant Group, Zhejiang University, Om AI Research oraz Binjiang Institute.

• 10 listopada 2026, 11:42 UTC — inclusionAI/ZoomGain-9B i inclusionAI/ZoomGain-4B zostają utworzone na Hubie, każdy z jednym plikiem safetensors BF16 o rozmiarze odpowiednio 18,82 GB i 9,08 GB.

• 11 listopada 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF pojawia się w wersjach Q4_K_M, Q8_0 i F16 oraz z pasującymi plikami projektora mmproj, co jest tym krokiem, który zamienia checkpoint badawczy w coś, czego może spróbować laptop.

Drobny szczegół wart odnotowania, ponieważ jest to dokładnie ten rodzaj rzeczy, którego skoordynowana premiera nie generuje: własna sekcja „Updates” karty modelu podaje datę artykułu, benchmarku, zbioru danych i checkpointów jako 2026.11.11, podczas gdy znacznik czasu utworzenia repozytorium i data przesłania do arXiv wskazują 10 listopada. Kartę napisano po fakcie, za jednym podejściem, przez kogoś, kto robił porządki.

Ta idea w jednym akapicie, bo to naprawdę jedna idea.

Model wizyjny często potrafi odpowiedzieć na pytanie dotyczące pewnego obszaru obrazu, ale zawodzi, gdy ten sam obszar znajduje się w całej ramce. Autorzy nazywają to luką percepcyjną między całością a zbliżeniem i przekształcają ją w sygnał nadzoru. Etap pierwszy: kilka modeli niezależnie lokalizuje cel opisany w pełnej scenie, a ich zgodność wskazuje obszar do przycięcia. Etap drugi: porównuje się opisy przyciętego obszaru z opisami pełnej sceny, a każdy szczegół, który ujawnia przycięcie, ale którego nie widać w pełnym widoku, staje się pytaniem zadawanym o oryginalny obraz. Etap trzeci: odpowiedzi są ponownie sprawdzane na przycięciu, pytania niejednoznaczne oraz pytania, na które można odpowiedzieć na podstawie wcześniejszych przesłanek językowych, są odfiltrowywane, a do formatu wielokrotnego wyboru generowane są prawdopodobne dystraktory.

Trening odbywa się metodą GRPO na 9 000 rekordów zbudowanych na podstawie 7 713 obrazów źródłowych — jedna epoka, rozmiar partii 64, osiem rolloutów na pytanie — przy użyciu dołączonego kodu EasyR1. Ewaluacja domyślnie odbywa się przy temperaturze 0 i wyłączonym myśleniu Qwen3.5, a pytania OCR i dotyczące liczenia pozostają otwarte, natomiast pytania o atrybuty stają się pytaniami wielokrotnego wyboru. Nic z tego nie jest samo w sobie niezwykłe; niezwykłe jest to, że potok, który wygenerował dane treningowe, wygenerował także benchmark, a artykuł mówi o tym wprost.

Dwie liczby, które nie są tą samą liczbą

W benchmarku ZoomGainBench — 1000-pytaniowym, 941-obrazowym, angielsko-chińskim benchmarku zbudowanym przez ten sam pipeline — ZoomGain-9B uzyskuje wynik 55,48. Jego model bazowy, Qwen3.5-9B, uzyskuje 32,13. To skok o 23,35 punktu na benchmarku, z którego wydobyto dane treningowe samego modelu, i właśnie dlatego praca określa tę kolumnę mianem „Held-in”.

Liczba, którą należy brać pod uwagę przy podejmowaniu decyzji, to średnia z trzynastu benchmarków, których trening nigdy nie dotknął, co wyklucza ZoomGainBench: 66,10 dla ZoomGain-9B wobec 59,75 dla Qwen3.5-9B. Średni wzrost o 6,35 punktu przy 9 000 próbek to solidny, wiarygodny wynik. Obie liczby są prawdziwe. Odpowiadają na różne pytania, a każda strona, która podaje 55,48 bez słowa „held-in”, mówi ci tylko połowę prawdy.

W tej samej tabeli jest jeszcze druga osobliwość, której najwyraźniej nikt dotąd nie zauważył: mniejszy model bije 9B na benchmarku held-in. ZoomGain-4B uzyskuje 55,81 na ZoomGainBench wobec 55,48 dla 9B, przegrywając jednocześnie średnią held-out 63,96 do 66,10. Na benchmarku zbudowanym na rozkładzie treningowym oba modele są na tym samym poziomie w granicach szumu; gdy tylko wyjdziesz poza ten rozkład, rozmiar znów daje o sobie znać. Gdybyś wybierał między nimi na podstawie jednej głównej liczby, wybrałbyś niewłaściwy.

Co dało 9 000 próbek — benchmark po benchmarku

Wszystkie poniższe wartości pochodzą z Tabeli 3 artykułu, zostały uzyskane przez własne środowisko testowe autorów na udostępnionym ewaluatorze i nie zostały niezależnie odtworzone przez nikogo:

• HR-Bench 4K — 90,25, w górę z 82,13. To liczba, od której zaczyna się streszczenie, i najmocniejsze twierdzenie w komunikacie.

• V*Bench — 93.19, wzrost z 86.91. Wykrywanie małych obiektów w wysokiej rozdzielczości.

• VisualProbe — 56,31, wzrost z 44,66. Największy względny wzrost poza benchmarkiem held-in.

• O3-Bench — 68,12, wzrost z 56,52. Wieloetapowa percepcja i rozumowanie.

• MMVP — 70,00, wzrost z 60,00. Klasyczny test par obrazów różniących się jednym szczegółem.

• MMStar — 73,87, w górę z 71,73. Ogólne kompetencje multimodalne i najmniejszy wzrost w zestawie.

• BabyVision — 17,53, w górę z 15,98. Wciąż blisko dolnej granicy i przydatne przypomnienie, że zyski koncentrują się w rodzinie drobnych szczegółów, a nie rozkładają się równomiernie.

Odczytany łącznie, wzorzec jest spójny z metodą, a nie z ogólnym skokiem zdolności: największe różnice występują w benchmarkach nagradzających znajdowanie małego elementu w dużym kadrze, a najmniejsze w benchmarkach nagradzających szeroką wiedzę o świecie i zwykłe rozumowanie wizualne. Tak powinien wyglądać ukierunkowany przebieg RL na 9 000 pytań o przycięte szczegóły.

Co jest poznawalne, co się twierdzi, a co jest po prostu niepotwierdzone

Możliwe do ustalenia z repozytorium już dziś, bez polegania na czyimkolwiek słowie: architektura, ponieważ konfiguracja jest publiczna i wskazuje tekstowy trzon Qwen3.5-9B o 32 warstwach, rozmiarze ukrytym 4096, rozmiarze pośrednim 12 288 i maksymalnej liczbie pozycji 262 144, opakowany w wieżę wizyjną; dane treningowe, ponieważ Parquet z 9000 rekordów i obrazy źródłowe są dostarczane jako zbiór danych; metoda, ponieważ prompty znajdują się w dodatku do artykułu; oraz ewaluacja, ponieważ ewaluator, adnotacje i obrazy można pobrać.

Zadeklarowane, lecz niepotwierdzone: każdy powyższy wynik benchmarku. Artykuł podaje je na udostępnionym środowisku testowym, co czyni je łatwiejszymi do sprawdzenia niż większość tabel dostawców — można je uruchomić ponownie — ale nikt spoza grona autorów jeszcze tego nie zrobił i żadne niezależne laboratorium nie opublikowało wyniku ZoomGain-9B.

Zupełnie niepotwierdzone i warto powiedzieć to bez ogródek:

• Licencja checkpointu. Kod jest objęty licencją Apache 2.0 i karta tak stwierdza. Karta następnie odsyła w kwestii warunków dotyczących modelu i zbiorów danych do „kart Hugging Face określających warunki każdego zbioru danych i checkpointu”, a repozytorium checkpointu nie zawiera znacznika licencji w metadanych Hub. To luka, którą trzeba zamknąć, czytając pliki przed wdrożeniem, a nie obietnica, na której można polegać.

• Długość kontekstu. Karta modelu nie podaje żadnej wartości. Maksymalna liczba pozycji wynosząca 262 144 w konfiguracji jest odziedziczona z rdzenia Qwen3.5-9B, co nie jest tym samym co przetestowana właściwość checkpointu po dodatkowym treningu, a każda ewaluacja w artykule dotyczy pojedynczego obrazu przy wyłączonym trybie myślenia.

• Ogólne zachowanie asystenta. W testach wydania nie uwzględniono czatu, wywoływania narzędzi, generowania długich tekstów ani użycia wieloturowego. Model był trenowany do odpowiadania na pytania dotyczące zdjęć i jest to jedyna umiejętność poparta dowodami.

• Dowolny host. Mapowanie dostawców Hub dla repozytorium jest puste. Nie ma żadnego API dostawcy ani wymienionego punktu końcowego strony trzeciej, więc „wypróbuj” obecnie oznacza „pobierz 18,82 GB”.

Odpalam to w tym tygodniu, jeśli chcesz.

Ścieżka GGUF to ta tania opcja: wersja Q4_K_M o rozmiarze 5,63 GB plus projektor mmproj o rozmiarze 0,52 GB, albo 9,53 GB w Q8_0, albo 17,92 GB w F16. Wejście obrazowe wymaga obu plików — projektor nie jest opcjonalny, a warunkiem wstępnym jest kompilacja llama.cpp z obsługą multimodalną Q​wen3.5. Ścieżka referencyjna jest cięższa, ale lepiej udokumentowana: vLLM 0.19.1 z transformers 5.7.0, dokładnie w wersjach, na których testowali autorzy, na checkpointcie BF16, który wymaga co najmniej 24 GB karty graficznej i komfortowego zapasu powyżej tego.

Warto uwzględnić w budżecie zarówno protokół ewaluacji, jak i wagi. Autorzy uruchamiają model przy temperaturze 0 z wyłączonym trybem myślenia i oceniają pytania o atrybuty przez dokładne dopasowanie wybranej opcji, zadania zliczania przez dokładne dopasowanie przewidywanej liczby całkowitej, a OCR przez ANLS z dolnym progiem 0,7. Jeśli oceniasz z włączonym trybem myślenia lub z innym szablonem promptu, mierzysz coś, czego autorzy nie raportowali, i nie powinieneś oczekiwać, że ich wyniki będą się przenosić.

OrcaRouter nie hostuje ZoomGain-9B i ten tekst nie zamierza udawać, że jest inaczej. Mamy natomiast jeden klucz do ponad 200 modeli w cenie listowej dostawcy, bez doliczanej marży, co ma tu znaczenie z konkretnego i praktycznego powodu: najszybszym sposobem sprawdzenia, czy błędy w twoim potoku to błędy na poziomie drobnych szczegółów, jest przepuszczenie tych samych obrazów przez hostowany model wizyjny i porównanie przypadków błędów. Qwen3-VL-8B-Instruct w naszej ofercie kosztuje 0,18 USD za milion tokenów wejściowych i 0,70 USD za milion tokenów wyjściowych przy kontekście 131K, obsługuje obrazy i wideo i nie dorówna modelowi trenowanemu na pytaniach wydobytych z przyciętych fragmentów obrazów — ale w ciągu jednego popołudnia powie ci, czy warto kupić GPU.

Co zmieniłoby tę historię?

Cztery rzeczy, w kolejności rosnącego znaczenia. Ogłoszenie od inclusionAI, które zamieniłoby przegląd repozytorium w premierę i prawdopodobnie przyniosło doprecyzowanie licencji. Znacznik licencji checkpointu, który rozstrzygnąłby tę jedną kwestię, która obecnie blokuje komercyjne wdrożenie. Hostowany endpoint, który usunąłby barierę 18,82 GB dla wszystkich, którzy nie dysponują własnym sprzętem. A niezależna ewaluacja, która rzeczywiście przechyliłaby szalę: twierdzenie, że model 9B osiąga 90,25 na HR-Bench 4K, jest tego rodzaju liczbą, która albo przetrwa weryfikację w drugim laboratorium, albo po cichu zniknie.

Do tego czasu uczciwe podsumowanie jest takie, że ZoomGain-9B to dobrze udokumentowane wydanie badawcze z czytelną metodą, odtwarzalnym zestawem testowym, nietypowo uczciwym podziałem na dane widziane i odłożone oraz bez żadnej strony trzeciej, która by za tym stała. To więcej, niż oferuje większość cichych wydań, i mniej niż produkt.