ZwZ2-4B wydany bez premiery: co mówi karta modelu, a czego nie mówi

Repozytorium ZwZ2-4B zostało utworzone 15 października 2026 r. o 06:11 UTC i według stanu na dzisiejszy poranek ma zero pobrań i zero polubień. Nie jest to nic niezwykłego w przypadku checkpointu, którego nikt nie ogłosił. Niezwykłe jest natomiast to, że zawiera on również kompletną kartę modelu: sekcję metody, opis danych treningowych, blok szybkiego startu oraz główny wynik deklarujący 25 benchmarków i poprawę o 5,38 punktu względem Qwen3.5-4B, modelu, od którego został dostrojony. inclusionAI opublikował dokumentację, nie publikując ogłoszenia. Karta jest; komunikatu prasowego nie ma; a różnica między tymi dwiema rzeczami to cała historia tego checkpointu.

Ten tekst celowo zawęża zakres swoich twierdzeń. Wszystko poniżej oznaczone jako fakt z repozytorium zostało odczytane bezpośrednio z plików — konfiguracji, indeksu wag, wpisu zestawu danych, samej karty. Wszystko oznaczone jako twierdzenie dostawcy to własna liczba inclusionAI, przytoczona jako twierdzenie, a nie jako wynik. Nie istnieje żadna niezależna ocena ZwZ2-4B, a każdy, kto twierdzi inaczej, tylko odczytuje ci kartę.

Co faktycznie weszło i w jakich datach

Rodzina ZwZ2 pojawiła się w oknie około dwudziestu trzech i pół godzin, w odwrotnej kolejności rozmiarów. ZwZ2-4B pojawił się pierwszy, 15 października o 06:11 UTC. ZwZ2-9B pojawił się następnie 16 października o 03:42. ZwZ2-27B zamknął zestaw o 05:42 tego samego ranka. Zbiór danych treningowych, inclusionAI/ZwZ2-RL-VQA, pojawił się trzy dni później, 19 października. Wszystkie trzy repozytoria, zbiór danych i kolekcja rodziny mają znaczniki czasu z dzisiaj, 27 października — to najnowszy przebieg konserwacji rodziny, do której nadal nie dołączono żadnego publicznego ogłoszenia.

Czego nie było: żadnego wpisu na blogu inclusionAI ani wątku o wydaniu. Trzy checkpointy rzeczywiście współdzielą kolekcję, Zooming-without-Zooming-v2 liczącą cztery elementy, ale kolekcja to pojemnik, a nie ogłoszenie. Repozytorium GitHub, które hostuje kod pierwszej generacji, nie zostało w ogóle zaktualizowane — nadal wymienia cztery modele: ZwZ-2B, ZwZ-4B, ZwZ-7B i ZwZ-8B, wszystkie zbudowane na backbone'ach Qwen3-VL. Rodziny v2 w nim nie ma. Jeśli poszukasz kodu, który wytworzył ZwZ2-4B, znajdziesz kod jego poprzednika, a README tam nie będzie wspominać modelu, którego trzymasz.

Twierdzenie, wyrażone jako twierdzenie

Karta inclusionAI podaje ogólną dokładność 49,41 dla modelu bazowego i 54,79 dla ZwZ2-4B, mierzoną na 25 benchmarkach pogrupowanych w sześć dziedzin. Karta stwierdza, że model poprawił się w każdym z tych benchmarków oraz że średnie ogólne i dziedzinowe ważą każdy benchmark jednakowo. Sześć wymienionych dziedzin to drobnoziarnista percepcja, rozumowanie przestrzenne, rozumienie długiego kontekstu, agenci multimodalni i ogólne rozumowanie wizualne, a także grupa drobnoziarnista, która odpowiada za wynik główny.

Te dwie liczby stanowią całą ilościową argumentację na rzecz modelu. Wyniki poszczególnych benchmarków są na stronie przedstawione jako grafiki — PNG i SVG — a nie jako tekst, co oznacza, że osiem reprezentatywnych wyników i pełne dwadzieścia pięć są widoczne, ale nieczytelne maszynowo. Jedynym zestawem benchmarków opisanym prozą jest MMLongBench*, którego rdzeń wizualny wymieniono jako V-RAG, Image MM-NIAH i VH-Multi, w ponad 25 zadaniach innych niż Counting. Karta zauważa również, że rozdzielczość obrazów w przypadku „zaawansowanych modeli” jest ograniczona przez platformę udostępniającą, co jest słusznym zastrzeżeniem, a także przypomnieniem, że wynik percepcji jest po części stwierdzeniem o tym, jak obraz dotarł do modelu.

Średnia +5,38 na 25 benchmarkach to duże twierdzenie w przypadku modelu klasy 4B. To także dokładnie ten rodzaj twierdzenia, które dostawca jest najlepiej predysponowany, by wygłosić, a najgorzej – by je zweryfikować, ponieważ to dostawca wybrał zestaw benchmarków, ich wagi i sposób rozstrzygania. Traktuj 54,79 jako liczbę do odtworzenia, a nie jako liczbę, na której należy opierać plany.

Metoda: jedno przejście, bez powiększania, bez SFT

Potok treningowy nazywa się EvidenceConnect i jest drugą generacją pomysłu, który laboratorium opublikowało wcześniej w tym roku pod nazwą „Zooming without Zooming”. Założenie jest takie, że drobnoziarnista percepcja wzrokowa zwykle jest rozwiązywana w czasie wnioskowania — przyciąć region, ponownie zadać pytanie, powtórzyć — a to jest kosztowne i kruche. ZwZ2 zamiast tego uczy model zwracać uwagę na dowody regionalne w ramach pojedynczego przejścia w przód.

Konstrukcja przebiega w czterech krokach, zgodnie z opisem na karcie. Powiązane regiony są grupowane, po trzy do siedmiu na obraz, pochodzące z SA-1B. Pytania są generowane na podstawie uprzywilejowanych powiększonych widoków tych regionów, dzięki czemu autor pytań widzi szczegóły, których model polityki nigdy nie zobaczy podczas wnioskowania. Następnie pytania są filtrowane dwukrotnie — przez zgodność między modelami oraz przez test pomijania jednego regionu, który sprawdza, czy usunięcie regionu faktycznie zmienia odpowiedź. Zweryfikowane pytania stają się zadaniami wielokrotnego wyboru z czterema opcjami, a model jest trenowany za pomocą GRPO. Nie ma żadnego etapu nadzorowanego dostrajania.

Podczas wnioskowania polityka widzi pełny obraz z narysowanymi na nim konturami kolorowych obszarów. Uprzywilejowane wycinki istnieją tylko podczas konstruowania danych. Każdy rozmiar modelu w rodzinie wykorzystywał około 20 000 przykładów treningowych; karta zestawu danych podaje dokładną liczbę: 20 662 pytania wielokrotnego wyboru, pięć pobrań i datę utworzenia 19 października.

Projekt ma jedną widoczną konsekwencję, o której warto wspomnieć każdemu, kto planuje go oceniać. Model trenowany wyłącznie na pytaniach wielokrotnego wyboru z czterema opcjami jest optymalizowany pod kształt zadania, który w niczym nie przypomina otwartego opisywania obrazów ani swobodnych pytań i odpowiedzi wizualnych. Jeśli w Twoich zadaniach potrzebny jest akapit opisujący obraz, ten checkpoint nie był na tym trenowany, a sekcja ograniczeń karty modelu mówi o tym wprost: halucynowane szczegóły, błędnie odczytany tekst, błędy liczenia, błędy przestrzenne.

Co dowodzi konfiguracja, niezależnie od laboratorium

Istnieje klasa faktów, których nie trzeba przyjmować na wiarę, ponieważ to arytmetyka na opublikowanych plikach. ZwZ2-4B waży 4,539,265,536 parametrów w BF16, zapisanych jako pojedynczy plik safetensors o rozmiarze 9.08 GB. Strona Hugging Face zaokrągla to do „5B”, co jest hojnym zaokrągleniem; indeks podaje 4.54B. Jego model bazowy, Qwen3.5-4B, waży 4,659,865,088 — więc model pochodny jest o około 120.6 miliona parametrów mniejszy niż model, z którego został wytrenowany.

Ta różnica ma proste wyjaśnienie w konfiguracji. Qwen3.5-4B deklaruje jedną warstwę wielotokenowego przewidywania; ZwZ2-4B deklaruje zero. Głowica dekodowania spekulatywnego została usunięta. Usuń głowicę MTP z checkpointu 4,6B, a trafisz niemal dokładnie na zaobserwowaną różnicę. To ta sama zmiana, którą nosi model siostrzany 9B, i jest to najsilniejszy dostępny dowód, że są to pochodne dostrojone po treningu, a nie świeżo wytrenowane modele.

Reszta stosu jest niezmieniona względem podstawy:

• Głębokość — 32 warstwy w obu modelach ZwZ2-4B i Qwen3.5-4B

• Szerokość — rozmiar ukryty 2,560, rozmiar pośredni 9,216

• Uwaga — 16 głowic zapytań względem 4 głowic KV, wymiar głowicy 256, harmonogram 3:1 liniowych do pełnych (24 warstwy liniowe, 8 pełnych)

• Słownictwo — 248 320 tokenów, współdzielone osadzenia

• Kontekst — 262 144 pozycje, M-RoPE w podziale 11/11/10, częściowy współczynnik rotacji 0,25

• Wieża wizyjna — 24 warstwy przy wymiarze ukrytym 1,024, rozmiar patcha 16, scalanie przestrzenne 2×2

• Środowisko uruchomieniowe — transformers 5.13.1, identyfikator architektury Qwen3_5ForConditionalGeneration

Szablon czatu wart jest jednego zdania, ponieważ zmienia zachowanie modelu od razu po uruchomieniu. Udostępniony szablon działa w trybie bez myślenia i instruuje model, aby umieścił ostateczną odpowiedź w tagach <answer>. Jeśli załadujesz go za pomocą ogólnego harnessu VLM, który oczekuje swobodnego tekstu, w danych wyjściowych pojawią się tagi i będziesz się zastanawiać dlaczego.

Czego karta ci nie mówi

Trzy luki mają większe znaczenie niż cokolwiek, co mówi karta.

Po pierwsze, licencja. Repozytorium nie zawiera pliku LICENSE ani znacznika licencji. Sformułowanie na karcie modelu odsyła do „licencji towarzyszącej udostępnionym wagom i odpowiedniej licencji backbone’u” — ale nie ma pliku licencji, do którego mogłoby odsyłać. Backbone, Qwen3.5-4B, jest objęty licencją Apache-2.0, więc najbardziej prawdopodobna interpretacja jest taka, że model pochodny ją dziedziczy. Prawdopodobne nie oznacza jednak zadeklarowanego, a przegląd prawny nie zaakceptuje zdania na karcie, które wskazuje plik, który nie istnieje.

Druga kwestia to artykuł. Metoda v2 — EvidenceConnect, filtr drop-one-region, trening wyłącznie z GRPO — nie ma publicznego opisu. Link do artykułu w karcie nadal jest dosłownym placeholderem PAPER_URL. Jedyny identyfikator arXiv przypisany do repozytorium, 2602.11858, dotyczy artykułu pierwszej generacji, który opisuje destylację region-to-image na szkieletach Qwen3-VL: inną metodę, inną rodzinę modeli bazowych i inny zestaw liczb. Karta zbioru danych dziedziczy ten sam identyfikator, więc tag propaguje tę niezgodność.

Trzecia to brak jakiegokolwiek niezależnego pomiaru. Żaden ranking nie ocenił ZwZ2-4B, nie istnieje żadna replikacja, a licznik pobrań nie drgnął z zera. Model może być znakomity i jednocześnie niezmierzony; chodzi tylko o to, że nic poza laboratorium nie potwierdziło jeszcze wyniku 54.79.

Pułapka nazewnicza, w którą wpadniesz

Wyszukaj ten model, a najpierw znajdziesz inny. Model pierwszej generacji ZwZ-4B to prawdziwy, udokumentowany checkpoint zbudowany na Qwen3-VL-4B, który osiąga średnią 66,86 wobec 61,52 swojego backbone'u, przy wyniku ZoomBench 55,74. Te liczby są szeroko cytowane i nie są liczbami ZwZ2-4B. Należą do innego modelu bazowego, innego przepisu treningowego i innego zestawu benchmarków.

Te dwie nazwy różnią się jednym znakiem. Tabela porównawcza, która je miesza, będzie wyglądać wewnętrznie spójnie, ale będzie błędna. Jeśli strona dostawcy lub agregator pokazuje ZwZ2-4B przy 66.86, to właśnie na ten błąd patrzysz.

Jeśli w tym tygodniu potrzebujesz małego modelu wizyjnego

ZwZ2-4B nie znajduje się w katalogu OrcaRouter, a ten tekst nie będzie udawał, że jest inaczej. To checkpoint, który pobierasz i hostujesz samodzielnie; nie ma dla niego hostowanego endpointu nigdzie, o czym wspomina strona Hugging Face, a strona wprost informuje, że żaden dostawca usług inferencji go nie udostępnia.

To, co katalog ma do zaoferowania, to praktyczna alternatywa dla tego samego zadania: qwen/qwen3-vl-8b-instruct w cenie 0,18 USD za milion tokenów wejściowych i 0,70 USD za milion tokenów wyjściowych, z kontekstem 131K, udostępniany przez ten sam punkt końcowy zgodny z OpenAI co wszystko inne. Jeśli planowałeś ocenić ZwZ2-4B względem hostowanego punktu odniesienia dla modeli wizyjnych, to właśnie ten punkt odniesienia, a uruchamianie obu z jednego klucza oznacza jedną bibliotekę klienta i jeden rachunek zamiast dwóch integracji. OrcaRouter kieruje ruch do ponad 200 modeli z automatycznym przełączaniem awaryjnym, więc ścieżka wizyjna zbudowana na tym punkcie końcowym nie zależy od utrzymania dobrego stanu jednego dostawcy upstream.

Dla modelu z zerową liczbą pobrań i bez pliku licencji to uczciwa rekomendacja: wynajmij porównanie, a eksperyment miej na własność.

Co zmieniłoby tę ocenę?

Trzy wydarzenia, w malejącej kolejności ważności. Plik licencyjny, który zamieniłby nieznaną kwestię prawną w prawną odpowiedź. Publiczny artykuł v2, który pozwoliłby komuś sprawdzić filtrowanie EvidenceConnect pod kątem wycieku — test usuwania pojedynczego regionu to dobry pomysł, a dobre pomysły to dokładnie to, co wymaga audytu. I jakikolwiek wynik od strony trzeciej, ponieważ jeden powtarzalny benchmark w neutralnym środowisku zrobiłby dla tego checkpointu więcej niż kolejny tysiąc słów karty.

Dopóki któraś z tych rzeczy nie zostanie opublikowana, ZwZ2-4B pozostaje dobrze udokumentowanym, nieogłoszonym i niezmierzonym specjalistą od percepcji o 4,54 mld parametrów, którego własna karta modelu mówi, że bije swój model bazowy o 5,38 punktu. To autentyczne i konkretne twierdzenie. To jeszcze nie wynik, a ta różnica jest jedyną rzeczą, którą warto wynieść z tego repozytorium.