ZoomGain-4B vs MiniCPM5 2B: A Portabilidade É o Benchmark que Ninguém Publica

Há um número ausente em ambas as fichas de modelo, e é ele que decide a maioria das implantações. MiniCPM5-2B é oferecido em builds GGUF, MLX, GPTQ e LiteRT, tem um modelo draft DSpark para decodificação especulativa e — o detalhe que mais revela — traz builds FlagOS para nove famílias diferentes de aceleradores, incluindo Ascend, Hygon, Kunlunxin e Metax. ZoomGain-4B é oferecido em GGUF em três precisões e exige, nas próprias palavras da ficha, "uma build do llama.cpp com suporte multimodal a Q​wen3.5". Um desses modelos roda em quase qualquer lugar. O outro roda onde você consegue compilar um runtime específico. Nenhuma das fichas chama isso de benchmark, e para quem precisa de fato operar um modelo em vez de citá-lo, esta é a linha que importa mais do que a coluna de acurácia de qualquer um dos modelos.

Esse enquadramento não é uma forma de fugir da comparação de precisão — ela vem depois, e a comparação de precisão acaba sendo menos decisiva do que parece, porque os dois modelos não são medidos no mesmo eixo e não podem ser. O MiniCPM5-2B, da OpenBMB, é um modelo de texto: 2,52 bilhões de parâmetros, lançado em 6 de setembro de 2026, ajustado para agentes, chamadas de ferramentas, código e contexto longo. O ZoomGain-4B, da inclusionAI, é um especialista em visão e linguagem publicado em 11 de novembro de 2026, treinado por aprendizado por reforço em perguntas sobre detalhes visuais finos. O que segue é aquilo em que cada um é medido, quanto custa colocar cada um em funcionamento e onde fica a linha divisória honesta.

A linha que falta: o que é preciso para executar cada uma

Comece pela lista de artefatos, porque é a coisa mais concreta que qualquer uma das editoras lhe deu.

• MiniCPM5-2B. Um transformer causal denso na classe padrão LlamaForCausalLM — 42 camadas, GQA com 16 cabeças de consulta e 2 cabeças KV, contexto de 131.072 tokens, 2.516.756.480 parâmetros totais, dos quais 1.981.982.720 são não-embedding. Como a arquitetura é padrão, ele herda todos os caminhos de serving que qualquer pessoa já escreveu para modelos no formato Llama. A organização publica as variantes SFT, Midtrain e Base como repositórios separados, além de quantizações GGUF, MLX e GPTQ, além de um modelo draft DSpark para decodificação especulativa, além do LiteRT para Android no dispositivo, além de um modelo irmão de 1B com o mesmo conjunto de variantes.

• ZoomGain-4B. 4.539.265.536 parâmetros em BF16, distribuídos entre um modelo de linguagem e um codificador de visão separado. Três precisões GGUF — Q4_K_M com 2,71 GB, Q8_0 com 4,48 GB e F16 com 8,42 GB — cada uma acompanhada de um arquivo de projetor mmproj que a ficha diz ser obrigatório para entrada de imagem. Sem build MLX, sem GPTQ, sem ONNX, sem modelo draft. O único runtime nomeado é o llama.cpp com suporte multimodal ao Qwen3.5, o que é um requisito mais restrito do que parece: você precisa de um build recente o suficiente para conhecer a arquitetura qwen35, e a ficha indica que você forneça os dois arquivos explicitamente, em vez de apontar para um caminho pronto.

A assimetria não é uma crítica à inclusionAI. Um modelo de visão publicado há nove dias e que nunca foi anunciado não tem obrigação de ter um runtime Android. É simplesmente o estado das coisas, e isso significa que os dois modelos não são intercambiáveis na dimensão que custa dinheiro: o MiniCPM5-2B rodará no hardware que você já tem, incluindo um celular; o ZoomGain-4B rodará em uma GPU, em um runtime que você talvez precise compilar, e em nenhum outro lugar.

Duas definições diferentes de "pequeno"

Ambos são chamados de modelos pequenos, e a palavra faz um trabalho diferente em cada caso.

• Parâmetros, contados com honestidade.O MiniCPM5-2B tem 1,98 bilhão de parâmetros não-embedding — o número que rege a computação por token — dentro de um total de 2,52 bilhões. O ZoomGain-4B tem 4,54 bilhões no total, e cerca de meio bilhão disso é o codificador visual e o projetor. Tire a pilha de visão e os dois backbones de linguagem ficam dentro de um erro de arredondamento do mesmo tamanho. A diferença de comportamento vem do que foi treinado por cima, não da escala.

• A que se destinava o treinamento. A ficha do MiniCPM5-2B lista suas áreas mais fortes como raciocínio de código e matemática, compreensão de contexto longo, uso de ferramentas e tarefas agênticas, e define seu público-alvo como assistentes locais, agentes de programação e implantação no dispositivo. A ficha do ZoomGain-4B trata de uma única coisa: se um modelo consegue responder a uma pergunta cuja resposta só é visível quando você amplia a imagem.

• O que cada publisher decidiu disponibilizar. A OpenBMB publicou a escada completa de variantes do MiniCPM5 — base, midtrained, SFT, final RL-plus-OPD, além de um modelo draft e binários pré-compilados para nove famílias de chips. A inclusionAI publicou três repositórios de modelos, dois datasets e um repositório de código contendo o pipeline de construção de dados e os lançadores do GRPO. Um é uma linha de produto; o outro é um lançamento de pesquisa com o caderno de laboratório anexado.

• Licença. MiniCPM5-2B é Apache 2.0 no card, aplicada tanto ao repositório quanto aos pesos. O código do ZoomGain é Apache 2.0 e os termos do checkpoint ficam remetidos ao repositório do checkpoint, que, a partir desta semana, não traz nenhuma tag de licença em seus metadados. Leia o arquivo antes de publicar.

As colunas de benchmark e por que elas não atendem

Não há nenhum benchmark compartilhado entre esses dois modelos. Nem um. O ZoomGainBench é um conjunto de perguntas sobre fotografias, e o MiniCPM5-2B não tem codificador de imagem; todos os outros benchmarks na tabela do MiniCPM5 são de texto, e o ZoomGain-4B nunca foi executado em nenhum deles. Portanto, em vez de uma comparação direta, aqui está o que cada publicador realmente mediu, mantido separado de propósito.

MiniCPM5-2B, segundo o fornecedor, média de 53,9 em seu conjunto de testes:

• Código — LiveCodeBench v6 69.1, OJBench 32.5, SWE-bench Verified 46.4.

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

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

• Contexto longo — AA-LCR 59,0, NoLiMa 68,1, LongBench v2 43,7.

• Uso de ferramentas e agentes — τ²-Bench Telecom 97,1, BFCL v4 66,6, BrowseComp-ZH 43,5, GAIA Text-103 88,7.

ZoomGain-4B, conforme informado pelo fornecedor:

• Percepção, benchmark held-in — 55,81 no ZoomGainBench, contra 30,03 do seu modelo pai Qwen3.5-4B.

• Percepção, média em dados reservados — 60,96 em dez benchmarks que o treinamento nunca viu, contra 54,20 do modelo original. Esse é o ganho de 6,76 pontos que vale a pena citar.

• Mudanças individuais em conjuntos retidos — Visual Probe 43,30 para 57,28, O3-Bench 54,20 para 63,19, HR-Bench 4K 81,25 para 87,25, MME-RealWorld-Lite 57,89 para 61,59.

Leia essas duas listas lado a lado e a forma da decisão fica óbvia. O MiniCPM5-2B foi testado em dezessete coisas com que um desenvolvedor se importa e obtém pontuações respeitáveis em quase todas elas; o valor de 97,1 no τ²-Bench Telecom e o de 88,7 no GAIA Text-103 são os números de destaque, e é neles que seu posicionamento se apoia. O ZoomGain-4B foi testado em percepção e essencialmente nada além disso, e o ganho que ele entrega — cerca de sete pontos em média, em benchmarks não vistos — é real, mas restrito.

Se você precisasse de uma única frase: o MiniCPM5-2B é um modelo pequeno generalista com uma ficha de benchmarks excepcionalmente profunda, e o ZoomGain-4B é um especialista cujo ganho médio de sete pontos seria invisível em um ranking de generalistas, porque o ranking de generalistas não contém as perguntas nas quais ele é bom.

Onde os dois de fato coexistiriam

As cargas de trabalho em que ambas são a resposta certa compartilham uma estrutura: um documento, uma captura de tela, uma foto, um formulário. Algo precisa olhar para a imagem e extrair um valor, e algo precisa fazer tudo o que vem depois disso — analisar o schema, chamar a ferramenta certa, validar, tentar novamente, encaminhar para uma pessoa.

A extração tem o formato do ZoomGain. Texto pequeno, recortes justos, uma resposta que ou está correta ou está errada, e um modelo que foi explicitamente treinado na diferença entre ler um rótulo em um recorte e ler o mesmo rótulo em um quadro completo. Os números de validação do ZoomGain-4B no HR-Bench 4K (81,25 a 87,25 após o treinamento) e no MME-RealWorld-Lite são exatamente o perfil de um modelo que ficou melhor em detalhes densos sem piorar em todo o resto.

O restante tem o formato do MiniCPM5, e no uso de ferramentas é incomumente forte para o seu tamanho — τ²-Bench Telecom em 97,1 é um número que a maioria dos modelos três vezes maiores não alcança, e BFCL v4 em 66,6 mostra que a chamada de funções não é uma demonstração.

Executar ambos significa dois runtimes, duas licenças e uma segunda coisa para quebrar. É também aí que um roteador justifica seu valor em vez de ser apenas um slogan: a chamada de imagem vai para o endpoint de visão, o turno de chamada de ferramenta vai para o de texto barato, e uma travada em qualquer um dos dois faz failover automaticamente para o outro, em vez de aparecer como um 504 no seu pipeline. Uma chave, uma fatura, e a lógica de failover em um só lugar, em vez de duplicada em dois SDKs.

Vale a pena deixar explícito o que oferecemos e o que não oferecemos. O MiniCPM5-2B não está no nosso catálogo hoje. Nós hospedamos a família Q​wen3.5 — o 35B-A3B a $0.057 de entrada e $0.459 de saída por milhão de tokens, o 27B a $0.086 e $0.688, ambos multimodais — e essa família é a base a partir da qual o ZoomGain-4B foi treinado, o que a torna a aproximação hospedada mais próxima se você quiser testar se o crop-and-ask melhora sua precisão antes de se comprometer com um 4B auto-hospedado. Para a parte de chamada de ferramentas, o mesmo catálogo lhe dá algo para chamar hoje. O que não podemos fazer é hospedar o ZoomGain-4B, e nenhuma quantidade de roteamento muda isso: ele é um download, não uma API.

O veredicto honesto

Escolha o MiniCPM5-2B se pretender um modelo pequeno que possa implementar esta semana em hardware que já possui, num runtime que já existe, com licença Apache 2.0 e uma folha de benchmarks suficientemente abrangente para prever como se comportará. É o produto acabado dos dois. Os seus 1,98 mil milhões de parâmetros não-embedding tornam-no barato por token, os seus números de chamada de ferramentas são o melhor da sua coluna, e as compilações dos fabricantes de chips significam que não é uma proposta apenas para datacenters.

Escolha o ZoomGain-4B se o erro específico que você está tentando eliminar for visual e de granularidade fina, e você estiver disposto a executar uma GPU com uma build nichada do llama.cpp para corrigi-lo. A argumentação a favor dele se baseia em um único número crível — um ganho médio de 6,76 pontos em dez benchmarks de percepção held-out a partir de 9.000 amostras de treinamento — e em um benchmark, dados e harness que permitem que você verifique a alegação por conta própria em vez de confiar nela.

Não escolha nenhum dos dois se você ainda não mediu o que seu pipeline erra. Os resultados publicados mais fracos do MiniCPM5-2B são raciocínio sobre documentos longos e agente de busca (BrowseComp-ZH 43,5, LongBench v2 43,7), e o ZoomGain-4B nunca recebeu uma pergunta que não fosse sobre uma imagem. Comprar qualquer um dos dois para resolver um problema que você não caracterizou é assim que modelos de três bilhões de parâmetros acabam em produção sem fazer nada.

A conclusão pouco glamorosa: os dois modelos não são rivais, são duas etapas adjacentes do mesmo trabalho, e o motivo pelo qual essa comparação continua sendo enquadrada como um concurso é que benchmarks são mais fáceis de publicar do que portabilidade. O MiniCPM5-2B vence a coluna que é publicada. O ZoomGain-4B vence uma coluna que ainda não existe, em uma única tarefa, por cerca de sete pontos, e vem com um requisito de runtime que barraria a maioria das equipes logo na porta.