
ZoomGain-4B foi lançado em 11 de novembro sem nenhum anúncio por trás.
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 133 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 185 tok/s
O primeiro commit em inclusionAI/ZoomGain tem data de 2026-11-09 às 02:13 UTC e sua mensagem é "Release ZoomGain init." Os pesos para ZoomGain-4B apareceram no Hugging Face em 2026-11-10 às 11:38 UTC. A listagem no arXiv, o conjunto de avaliação e o corpus de aprendizado por reforço que o produziu estão todos datados de 2026-11-11, o mesmo dia em que o card do modelo foi tocado pela última vez. O que não apareceu, em lugar algum que eu tenha encontrado, é um post de lançamento. Não há entrada de notícias no site da inclusionAI, nenhum anúncio no perfil da organização no Hugging Face além do próprio repositório, nenhum endpoint hospedado e nenhuma cobertura de qualquer pessoa. ZoomGain-4B é um modelo de visão-linguagem construído por aprendizado por reforço sobre Qwen3.5-4B, e até esta manhã as únicas pessoas que sabem que ele existe são as que por acaso olharam uma listagem de repositório. Este é um artigo do tipo "o que o repositório diz": cada número abaixo é ou um carimbo de data/hora que você pode verificar por conta própria ou um número que os autores colocaram no próprio card, e os pontos em que isso não basta estão marcados como tal.
Para um leitor que quer entender o formato geral antes dos detalhes: o modelo é um checkpoint multimodal de 4,54 bilhões de parâmetros que responde a perguntas de múltipla escolha sobre detalhes visuais finos — texto pequeno numa fotografia, a contagem de objetos numa cena poluída, um atributo que só é legível quando se recorta a região. A afirmação dos autores é que um modelo de visão que olha para uma imagem inteira perde detalhes que consegue ler perfeitamente bem quando a mesma região é ampliada, e que essa lacuna pode ser transformada em sinal de treinamento. Eles então criaram um benchmark de 1.000 perguntas com a mesma maquinaria, e nesse benchmark o 4B treinado pontua 55,81 contra 30,03 do modelo a partir do qual foi treinado. Esses dois números são todo o argumento, e vêm com uma ressalva que o próprio artigo declara: o benchmark é construído pelo mesmo pipeline dos dados de treinamento, o que o artigo chama de “held-in”.
O que chegou, e o que dizem os carimbos de data e hora
O lançamento está excecionalmente completo para algo que ninguém anunciou. Seis artefactos, todos dentro de uma janela de 48 horas:
• O artigo. "ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision," arXiv 2611.14076, submetido em 10 de novembro de 2026, por Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao e Jianwei Yin. Sete autores, cs.CV e cs.AI.
• O checkpoint de 4B. inclusionAI/ZoomGain-4B, safetensors em BF16. Os metadados do arquivo contabilizam 4.539.265.536 parâmetros. Apache 2.0 no código; o card remete os termos do checkpoint e do conjunto de dados aos seus próprios repositórios.
• O checkpoint 9B. inclusionAI/ZoomGain-9B, 9.409.813.744 parâmetros, criado quatro minutos depois do seu irmão menor.
• Compilações quantizadas. ZoomGain-4B-GGUF foi lançado em 2026-11-11 às 03:09 UTC com três precisões e projetores de visão correspondentes: Q4_K_M com 2,71 GB, Q8_0 com 4,48 GB, F16 com 8,42 GB, cada uma com um mmproj como arquivo para o codificador de imagem. O GGUF 9B veio em seguida.
• O benchmark. inclusionAI/ZoomGainBench, 1.000 perguntas sobre 941 imagens, texto em inglês e chinês para cada item, além de uma resposta de referência, uma regra de pontuação e uma caixa delimitadora de evidência em coordenadas de pixel.
• Os dados de treinamento. inclusionAI/ZoomGain-RL-Data, 9.000 registros e 7.713 imagens de origem em Parquet, com os metadados de recompensa que o script de treinamento espera.
A quietude não é um mistério e não é sinistra. É o que um lançamento interno de um grupo de pesquisa parece quando o artigo é liberado no arXiv antes de alguém escrever o post no blog. Os indícios estão todos lá: três commits na manhã de 11 de novembro têm todos o título "update readme", com catorze minutos de diferença entre si, o repositório no GitHub tem três estrelas e nenhum campo de descrição preenchido, ambos os repositórios de checkpoint mostram zero downloads e zero curtidas, e a página do modelo 4B traz um aviso sobre metadados YAML vazios ou ausentes. Nada disso é evidência sobre o modelo. É evidência sobre a forma como o lançamento foi conduzido.

O método, em três movimentos
A parte interessante do ZoomGain não é o modelo, é como as perguntas foram feitas. O pipeline funciona em três etapas e apenas a primeira é convencional.
• Ancorar o alvo. Vários modelos localizam, de forma independente, uma região descrita na cena completa. Onde eles concordam, essa concordância é tomada como o recorte que vale a pena manter. Usar a discordância como filtro significa que o ponto cego de nenhum modelo individual define o conjunto de alvos.
• Minere evidências. Legendas da mesma região são comparadas em dois níveis de zoom. Tudo o que o recorte revela e a imagem completa não revela é transformado em uma pergunta sobre a imagem completa. Esse é o mecanismo que produz a lacuna "global-to-zoom" à qual o título se refere: a pergunta pode ser respondida, mas apenas se o modelo resolver algo no limite da sua percepção.
• Verificar e distrair. As respostas são verificadas de forma cruzada com o recorte, perguntas ambíguas são descartadas, perguntas que podem ser respondidas sem a imagem são descartadas e distratores de múltipla escolha são gerados. A ablação indica que este último passo faz trabalho real — remover distratores dedicados custa 8,96 pontos no benchmark held-in, a maior queda individual relatada no artigo.
O treinamento em si não é nada exótico. GRPO por meio da estrutura EasyR1 incluída, uma época, tamanho de lote 64, oito rollouts por pergunta, o que resulta em 140 passos sobre 9.000 registros. O repositório inclui um smoke test que executa um único passo, incluindo rollout, recompensa e salvamento de checkpoint, além de lançadores completos para ambos os tamanhos. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 e transformers 5.7.0 — todos fixados, que é a diferença entre um repositório que reproduz e um que apenas descreve.
O número que importa, e a ressalva que o diminui
O ZoomGainBench é deliberadamente difícil. O modelo mais forte nele é o GPT-5.6-Sol, com 61,08 no geral, e isso é 61,08 de 100 em questões de múltipla escolha sobre fotografias. O Claude-Opus-5 fica em 59,86, o Gemini-3.6-Flash em 59,41. O melhor modelo aberto de visão geral da tabela, o Qwen3.8-Flash-Next, com 125 bilhões de parâmetros, alcança 55,05. Um modelo de 4 bilhões de parâmetros treinado em 9.000 amostras chega a 55,81 — acima do generalista de 125B, acima do Kimi-K3 com 2,8 trilhões de parâmetros, acima do GLM-5.3-Flash com 320 bilhões.
Se esse número sobrevivesse ao contato com uma estrutura de avaliação independente, seria a notícia do mês. Ainda não sobrevive, por um motivo que o artigo admite abertamente. O ZoomGainBench é construído pelo mesmo pipeline que produziu os dados de treinamento, e a própria tabela de ablação do artigo o lista sob uma coluna intitulada “Held-in”. As perguntas não são as perguntas de treinamento, mas são extraídas da mesma distribuição pela mesma maquinaria. Um modelo ajustado com fine-tuning nessa distribuição tem uma vantagem que um modelo avaliado zero-shot não tem, e o tamanho dessa vantagem é exatamente o que ninguém fora da inclusionAI consegue medir hoje.
A evidência em dados não vistos é menos espetacular e mais convincente. O artigo relata uma média em dez benchmarks não vistos: 54,20 para o Qwen3.5-4B não treinado, 60,96 para o 4B treinado com ZoomGain. Um ganho médio de 6,76 pontos em benchmarks que o treinamento nunca viu é um resultado real. Só não é a mesma alegação que superar um modelo de 2,8 trilhões de parâmetros.
Vale notar também que o ganho não é uniforme. Comparando o 4B com sua própria base ao longo da tabela principal do artigo:
• Grandes ganhos. Visual Probe de 43,30 a 57,28. O3-Bench de 54,20 a 63,19. Zoom Bench de 48,88 a 59,88. HR-Bench 4K de 81,25 a 87,25. BabyVision de 14,69 a 21,13.
• Ganhos moderados. MME-RealWorld-Lite 57,89 a 61,59. MMStar 66,80 a 72,53. HR-Bench 8K 77,63 a 83,88. MMVP 57,33 a 61,33.
• Uma regressão. O "Tree" no estilo TreeBench marca 49,38 antes do treinamento e 49,14 depois. Uma queda de 0,24 ponto, bem dentro do ruído, mas está na tabela em vez de fora dela, o que é um bom sinal sobre a tabela.

O que realmente não está confirmado
Quatro coisas, e elas são mais importantes do que o aviso de sempre.
Não existe avaliação independente.Nem um único número de terceiros. O 55,81, a média de 60,96, o 90,25 que o modelo de 9B alcança no HR-Bench 4K — tudo isso são os autores medindo seu próprio modelo em seu próprio harness. Isso é normal em um artigo e não é evidência de que algo esteja errado. Significa, sim, que os números devem ser lidos como alegações.
Nenhum endpoint hospedado. Nenhum dos checkpoints lista um provedor de inferência. Não há API, nem playground, nem tabela de preços. Se você quiser usar este modelo no próximo mês, vai baixar 8,42 GB e executá-lo por conta própria.
O nome não corresponde à contagem de parâmetros em três lugares. O modelo se chama 4B, o cartão GGUF diz 4B, o selo do repositório diz 5B, e o total real dos safetensors é 4,54B. O meio bilhão extra é o codificador de visão e o projetor, o que é a explicação comum — mas um cartão que não consegue manter um único número consistente no primeiro dia não foi revisado, e isso é algo justo a se considerar quando você está decidindo o quanto do restante deve confiar.
Nenhuma declaração de intenções. Haverá um 30B? Uma versão hospedada? Uma v2 com um benchmark de avaliação independente? Nada no repositório indica. O registro de atualizações do README lista três linhas, todas datadas de 2026.11.11, todas descrevendo o que foi lançado, em vez do que vem a seguir.

Executando isso hoje, sem um fornecedor
O caminho GGUF é o prático e tem um pré-requisito rígido: você precisa de uma compilação do llama.cpp com suporte multimodal ao Qwen3.5. A ficha é explícita que o modelo de linguagem e o mmproj projetor são arquivos separados e que a entrada de imagem exige ambos. O exemplo de CLI passa -m para o modelo, --mmproj para o projetor, --image para a imagem e roda na temperatura 0 com o raciocínio desativado, que também é o padrão do harness de avaliação. llama-server funciona da mesma forma na porta 8080. Em Q4_K_M, você está ocupando 2,71 GB de modelo de linguagem mais um projetor, o que cabe confortavelmente em um laptop; em F16, você está em 8,42 GB mais projetor, o que é uma estação de trabalho ou uma única GPU de médio porte.
Para qualquer volume, o vLLM 0.19.1 com transformers 5.7.0 é a stack suportada, e o próprio script de avaliação do repositório recebe um MODEL_PATH, uma GPUS lista e um parâmetro LANGUAGE que executa apenas inglês, apenas chinês, ou ambos, para 2.000 tarefas. Isso é estrutura suficiente para reproduzir os números reportados no seu próprio hardware, o que é mais do que a maioria dos lançamentos discretos oferece.
Se você prefere não subir uma GPU para descobrir se a abordagem vale alguma coisa, a medida provisória honesta é prototipar o ciclo de recortar e perguntar com um modelo de visão hospedado que você pode chamar hoje. Nosso catálogo oferece o Qwen3-VL-8B a US$ 0,18 de entrada e US$ 0,70 de saída por milhão de tokens, e a linha Qwen3.5, começando pelo qwen3.5-35b-a3b com preços a partir de US$ 0,057 e US$ 0,459 — uma única chave, sem contrato por fornecedor e uma regra de roteamento que passa para um segundo modelo se o primeiro travar. O próprio ZoomGain-4B não está no nosso catálogo, e eu não fingiria o contrário; o objetivo do desvio via hospedagem é estabelecer se as perguntas de detalhes finos são o ponto em que seu produto realmente erra, antes de você passar uma semana em um 4B auto-hospedado que apenas as responde melhor do que seu próprio modelo pai.
O que transformaria isto de uma curiosidade em uma decisão?
{{1}}Três sinais{{/1}}, em ordem de quão reveladores seriam. {{2}}Primeiro, uma execução independente do ZoomGainBench por alguém sem interesse no pipeline{{/2}} — o benchmark é público, a infraestrutura de avaliação está no repositório, e a barreira de entrada é uma GPU e uma tarde, então é provável que isso aconteça antes de qualquer um dos outros. {{3}}Segundo, uma extensão com conjunto reservado{{/3}}: se os autores responderem à objeção óbvia avaliando em um benchmark que não ajudaram a construir, o 55.81 deixa de ser um número sobre o próprio conjunto de teste deles. {{4}}Terceiro, uma implantação hospedada{{/4}}, que lhe diria que os pesos podem de fato ser servidos com latência aceitável, e não apenas baixáveis.
Até que uma dessas se concretize, a descrição correta do ZoomGain-4B não é "um modelo de visão pequeno supera um modelo de fronteira". É o seguinte: um grupo de pesquisa publicou uma receita de treinamento que eleva um modelo de visão de 4B em 6,76 pontos, em média, em dez benchmarks nos quais ele não foi treinado, e publicou simultaneamente um benchmark que mostra o mesmo truque produzindo um número muito maior em perguntas elaboradas da mesma maneira. A primeira metade é a descoberta. A segunda metade é o marketing, e ele chegou sem um comunicado à imprensa, o que é, no mínimo, uma ordem refrescante para que essas duas coisas cheguem.
