ZoomGain-4B vs Qwen3.8-27B: A vitória de 11 pontos é sobre um conjunto de dados, não sobre um modelo

O número que torna esta comparação digna de uma página é 55,81 contra 44,81. No ZoomGainBench, o benchmark de 1.000 questões de detalhe fino publicado junto com o ZoomGain-4B da inclusionAI, um modelo de visão de 4,54 bilhões de parâmetros marca onze pontos acima do Qwen3.8-27B, um modelo denso de 27,78 bilhões de parâmetros que a Alibaba lançou sob a Apache 2.0 em agosto e que lê imagens e vídeos tão bem quanto texto. Seis vezes os parâmetros, e ele perde por onze pontos. Leia o artigo que produziu ambos os números e a lacuna deixa de ser uma alegação sobre acuidade visual: o ZoomGainBench foi construído pelo mesmo pipeline automatizado que gerou os dados de treinamento do ZoomGain-4B, os próprios autores dizem isso em seu estudo de ablação, e o modelo contra o qual eles estavam de fato competindo não é o Qwen3.8-27B de modo algum — é outro conjunto de dados.

Isso não é um desmentido. É a coisa mais útil na publicação, e é o que torna a comparação decidível: diz-lhe a qual dos dois modelos recorrer e que número citar quando alguém lhe pedir para justificar a escolha. O que se segue separa as três afirmações que aqui são agrupadas — que um pequeno especialista supera um grande generalista, que um pipeline de dados supera outro pipeline de dados e que qualquer uma destas é razão para mudar a sua stack este mês.

O que foi lançado, e quão silenciosamente

O repositório do ZoomGain-4B foi criado no Hugging Face em 10 de novembro de 2026 às 11:38 UTC e modificado pela última vez em 11 de novembro. O artigo, arXiv 2611.14076, foi submetido em 10 de novembro. O repositório GGUF foi alterado às 03:13 UTC de 11 de novembro. No momento em que este texto foi escrito, ambos os repositórios mostram zero downloads e zero likes, não há provedor de inferência associado ao modelo, e não existe post de lançamento do fornecedor, entrada de blog ou comunicado à imprensa para ele. A própria lista Updates do model card, datada de 11 de novembro, é o único anúncio: três linhas dizendo que o artigo, o benchmark, o conjunto de dados de RL e os checkpoints estão disponíveis.

Então, a forma honesta de enquadrar isso é que ele foi lançado discretamente e não foi anunciado. Tudo o que vem de um repositório, abaixo, pode ser verificado hoje; qualquer coisa sobre como o modelo se comporta fora do ambiente de testes dos autores ainda não está confirmada, porque ninguém fora do Ant Group e da Universidade de Zhejiang o executou e relatou resultados.

Dois detalhes do repositório merecem ser conhecidos antes do início da comparação, pois ambos limitam o que você pode fazer com ele.

• Arquitetura. Um derivado do Qwen3.5-4B — 32 camadas, tamanho oculto 2.560, 16 cabeças de consulta contra 4 cabeças KV com dimensão de cabeça 256, uma proporção de 3:1 de DeltaNet linear para atenção completa, 262.144 posições máximas, um vocabulário de 248.320 tokens e um codificador de visão de 24 camadas com tamanho oculto 1.024. O total, incluindo codificador e projetor, é 4.539.265.536 parâmetros.

• Licença. A seção License do card cobre o código, que é Apache 2.0, e então remete: "Veja os cards do Hugging Face para os termos de cada dataset e checkpoint." O card do checkpoint não traz nenhuma tag de licença. O Qwen3.8-27B é Apache 2.0 em termos inequívocos. Se você precisa de uma licença que possa entregar a um advogado, essa assimetria é a primeira coisa com que você se depara e não é resolvida por nada no lançamento.

A única lista em que ambos os modelos aparecem lado a lado.

O ZoomGainBench é um benchmark bilíngue de 1.000 perguntas sobre 941 imagens: 472 perguntas de reconhecimento de atributos com quatro a seis opções, 94 perguntas de contagem e 434 perguntas de OCR, cada uma em uma versão em inglês e uma em chinês, totalizando 2.000 instâncias de avaliação. Vinte e oito modelos foram executados nele sob um único harness — mesmo system prompt, temperatura 0, pensamento desativado para cada checkpoint Qwen, 2.048 tokens de saída para os modelos não agênticos. O melhor resultado no campo é o GPT-5.6-Sol com 61,08, e apenas cinco modelos ultrapassam 50.

Qwen3.8-27B fica em 44,81 no geral: 43,84 em inglês, a partir de 40,25 em atributo, 54,26 em contagem e 45,49 em OCR, e 45,78 em chinês. O ZoomGain-4B, na tabela de treinamento e não na tabela de benchmark, fica em 55,81. Ambos os números são o geral bilíngue segundo as mesmas regras de pontuação, então este é o mais próximo de um pareamento controlado que o lançamento oferece e, nele, o 4B vence por 11,00 pontos.

• Parâmetros. 4,54B contra 27,78B — uma diferença de 6,1× na direção que torna o resultado surpreendente.

• Para que cada um foi criado. O ZoomGain-4B é o Qwen3.5-4B submetido a uma época de GRPO em 9.000 perguntas mineradas, 140 passos, lote 64, oito rollouts por pergunta, taxa de aprendizado 1e-6, sem termo KL. O Qwen3.8-27B é um modelo denso geral com modo de raciocínio, chamada de ferramentas e um caminho de vídeo.

• Dados de treinamento. 9.000 perguntas para um. Para o outro, todo o corpus de pré-treinamento e pós-treinamento da Alibaba, com tamanho não divulgado.

• Disponibilidade. ZoomGain-4B: três precisões GGUF e um arquivo de projetor separado, sem endpoint hospedado. Qwen3.8-27B: pesos Apache 2.0, uma build FP8, 7,4 milhões de downloads e endpoints que você pode chamar hoje.

A comparação que o artigo de fato estabelece

Aqui está a parte que se perde quando o lançamento é resumido a "4B vence 27B". O artigo precisava de uma linha de base para seus próprios dados e usou uma: ZwZ, um conjunto de dados de percepção refinada do ICML 2026 criado por destilação de região para imagem. Ambos os lados receberam tratamento idêntico. Doze mil imagens foram amostradas e 23.610 perguntas geradas; o benchmark ficou com 1.000; o restante gerou 8.746 pares de perguntas correspondentes às imagens, e 254 foram duplicadas nos dois lados para levar cada conjunto a 9.000. As mesmas imagens, os mesmos checkpoints base, os mesmos hiperparâmetros, os mesmos 140 passos. A única variável são as perguntas.

Os dados do ZoomGain superam os dados do ZwZ em todos os eixos relatados no artigo. No Qwen3.5-4B, a pontuação held-in passa de 40.99 para 55.81, e a média held-out em treze benchmarks passa de 58.94 para 63.96; no Qwen3.5-9B, o mesmo par de números vai de 44.07 para 55.48 e de 62.53 para 66.10. Trata-se de um resultado real e bem controlado sobre como se gera supervisão, e é a contribuição que o título do artigo apresenta.

Qwen3.8-27B não contribui em nada para esse argumento. Ele aparece uma vez, como uma única linha entre outros 27 modelos avaliados. É uma referência — um generalista competente medido em uma distribuição para a qual ninguém o treinou —, não um concorrente. O próprio texto do artigo é explícito ao afirmar que a lacuna que ele explora é compartilhada: distratores de erro de visão global respondem por 71,7% de todas as respostas incorretas nos 28 modelos, acima dos 54,5% que uma escolha aleatória entre as opções produziria, e os quatro modelos de código fechado que não participaram da construção do benchmark apresentam o mesmo comportamento, com 75,7% contra 57,4% esperados.

A ablação é o argumento mais forte contra a manchete.

Os autores fizeram o óbvio teste de sanidade em si mesmos, e o resultado é a tabela mais informativa do artigo. Eles retreinaram nas mesmas 9.000 perguntas duas vezes, removendo a cada vez uma das duas escolhas de design que definem seu pipeline: a regra de que as perguntas só podem ser construídas a partir de detalhes invisíveis na imagem completa, e a etapa dedicada de geração de distratores.

• Pipeline completo. ZoomGainBench 55,81; média sobre os dez benchmarks held-out relatados pela ablação, 60,96.

• Distratores dedicados removidos. ZoomGainBench 46,85 — uma perda de 8,96 pontos no teste mantido — e a média dos dez benchmarks 59,14, uma perda de 1,82.

• Evidência incremental removida. ZoomGainBench 49,71, uma perda de 6,10 — e a média dos dez benchmarks 58,57, uma perda de 2,39.

Ambas as escolhas de design valem de seis a nove pontos no ZoomGainBench e cerca de dois pontos em todo o restante. Os autores explicam o motivo com clareza: remover os distratores dedicados "causa a maior queda no ZoomGainBench held-in" porque "as opções do benchmark são construídas usando o mesmo pipeline." Em outras palavras, aproximadamente três quartos do ganho em destaque no benchmark que produziu o número em destaque se devem ao fato de o modelo aprender a responder ao tipo de pergunta que o pipeline escreve, e não a aprender a enxergar melhor.

O que sobrevive disso ainda é substancial. Nos treze benchmarks que o treinamento nunca tocou, o Qwen3.5-4B passa de 57,86 para 63,96 — 6,10 pontos a partir de 9.000 amostras — com os maiores ganhos exatamente na família que o pipeline visa: HR-Bench 4K 81,25 para 87,25, V*Bench 81,68 para 90,05, VisualProbe 43,30 para 57,28, O3-Bench 54,20 para 63,19. Um benchmark regride: TreeBench, 49,38 para 49,14, um quinto de ponto. MMStar, uma suíte multimodal geral, vai de 66,80 para 72,53, e o BabyVision continua fraco em 21,13.

Esse perfil é a assinatura de uma intervenção estreita, e é o perfil em torno do qual você deve planejar. O modelo ficou melhor em resolver pequenos detalhes em uma cena. Ele não se tornou um generalista melhor, e a aritmética que diz o contrário é aritmética no próprio benchmark dele.

O que o benchmark realmente pergunta, já que é isso que você estaria comprando

Se o uso pretendido for a verificação de detalhes finos, a composição do teste importa mais do que a pontuação geral, e a análise de erros do artigo é excepcionalmente concreta quanto a isso.

• Âncoras pequenas dominam.A precisão aumenta com a fração da imagem ocupada pelo detalhe consultado, para todos os grupos de modelos: em média, considerando todos os 28, ela sobe de 28,9% no menor quartil, onde a âncora cobre menos de 0,4% da imagem, para 55,2% no maior.

• A contagem é uma contagem de números pequenos. 67 das 94 perguntas de contagem têm uma resposta correta de no máximo três, e 71,6% das respostas numéricas erradas diferem por exatamente um. A dificuldade é resolver algumas poucas instâncias pequenas, não enumerar muitas.

• O reconhecimento de atributos é a categoria difícil. Ela produz a pontuação mais baixa para 23 dos 28 modelos, e adivinhar uniformemente entre as opções já renderizaria cerca de 21,5%.

• O modo de falha é a substituição plausível no contexto da cena. Em um caso documentado, 46 de 56 avaliações chamam de laranja um objeto branco no painel de um caminhão — plausivelmente a cor do colete usado pelo trabalhador em pé à frente dele. Em outro, quase todas as avaliações citam uma marca de equipamento de hóquei em vez do logotipo realmente impresso na peça. Os modelos não dizem "Não consigo ver"; eles respondem a partir do contexto.

Esse modo de falha é o argumento prático para esse tipo de treinamento, porque é o mesmo que faz um pipeline de documentos errar silenciosamente numa fatura digitalizada. É também o argumento para medi-lo: um modelo que substitui uma resposta plausível produz saída segura de si, então nada mais adiante a detecta.

Onde o Qwen3.8-27B está em uma sala diferente

O 44,81 é real, e também é o único número neste artigo pelo qual o Qwen3.8-27B é avaliado aqui. A própria ficha dele relata um conjunto de coisas totalmente diferente, e nenhuma delas pode ser comparada com os números do ZoomGain, porque os dois modelos nunca foram executados no mesmo harness para elas.

• Programação agêntica. Terminal Bench 2.1 em 73,0, SWE-bench Pro 61,7, LiveCodeBench v6 90,3, QwenSWEBench 79,0 — todos relatados pelo fornecedor no próprio card da Qwen, com as notas do harness publicadas em conjunto.

• Raciocínio e uso do computador. GPQA Diamond 89.2, HLE 30.8, OSWorld-Verified 84.3, WebArena-Verified 64.8.

• Trabalho multimodal. OmniDocBench 1.5 com 91,1, raciocínio CharXiv 83,7 sem injeção de cadeia de pensamento e 90,2 com ela, RealWorldQA 85,9, MathVision 90,0.

• Superfície de capacidades. Raciocínio ativado por padrão com reasoning_effort em xhigh, medium ou low, raciocínio preservado entre turnos, chamada nativa de ferramentas, saídas estruturadas, entrada de vídeo, 262.144 posições nativamente e extensível a um milhão.

O ZoomGain-4B não foi avaliado em nenhum destes e não seria de esperar que tivesse um bom desempenho em nenhum deles: o seu treino nunca incluiu código, tarefas de terminal, documentos ou gráficos. Também não tem nenhuma avaliação reportada num modo de raciocínio — o próprio harness do lançamento é executado com o raciocínio desativado a uma temperatura de 0, pelo que tudo o que foi publicado sobre ele descreve o seu comportamento de resposta direta. O 44,81 do Qwen3.8-27B foi medido da mesma forma, com enable_thinking=false, que é a única coisa que torna a comparação justa e a única que deixa o melhor modo do Q​wen por testar.

Falando claramente: no eixo para o qual o ZoomGain-4B foi treinado, ele vence, e nos eixos para os quais o Qwen3.8-27B foi construído, o 4B não está no páreo. Nenhuma dessas coisas é surpresa, e tratar qualquer uma delas como a história completa é como uma página de comparação se torna inútil.

Quanto custa implantar cada um, e o único que você pode ligar hoje

É aqui que os dois divergem de um modo que decide a implantação, e não o benchmark.

O ZoomGain-4B não tem endpoint hospedado em lugar nenhum. O que existe é o repositório BF16, 4,54 bilhões de parâmetros distribuídos entre um modelo de linguagem e um codificador de visão separado, e três builds GGUF: Q4_K_M com 2,71 GB, Q8_0 com 4,48 GB e F16 com 8,42 GB, cada um acompanhado de seu próprio mmproj projetor — 0,23 GB, 0,36 GB e 0,67 GB, respectivamente — que o cartão do GGUF afirma ser necessário para entrada de imagem. Executá-lo significa usar llama-mtmd-cli ou llama-server a partir de um build do llama.cpp recente o suficiente para conhecer o multimodal do Qwen3.5; executá-lo em precisão total significa vLLM 0.19.1 com transformers 5.7.0. Não há build MLX, nem ONNX, nem modelo draft para decodificação especulativa, e nenhum provedor para o qual recorrer se o seu build quebrar.

O Qwen3.8-27B está no catálogo do OrcaRouter, e executamos esses pesos na nossa própria infraestrutura em vez de revender o endpoint de outra pessoa — por isso o preço na página do nosso modelo é o preço, sem margem adicionada por cima e sem preço de tabela de fornecedor sendo majorado no meio. Ele custa $0,33 por milhão de tokens de entrada e $2,40 por milhão de saída, texto, imagem e vídeo na entrada, 262.144 tokens de contexto e uma única chave. A mesma chave também acessa o Qwen3.8-Flash a $0,15 e $0,47 por milhão com uma janela de um milhão de tokens, e o Qwen3.8-Max a $2,00 e $6,00, então uma carga de trabalho que supera o 27B ou precisa de uma janela maior migra sem um segundo contrato ou alteração de código. O failover é a parte que importa para qualquer coisa em formato de produção: um provedor travado tenta novamente antes de a resposta começar, e não depois de sua solicitação atingir o tempo limite.

O ZoomGain-4B não está nesse catálogo e não pode ser chamado por nosso intermédio. É uma pasta de pesos que você mesmo serve, e a versão honesta da recomendação tem de começar por aí.

Quem deve agir, e o que ainda não foi confirmado

Se você tem trabalho com muitas imagens em que a resposta depende de um pequeno detalhe — um número de peça em uma etiqueta, uma cor em uma tela, se há dois parafusos ou três —, um modelo 4.54B que passou por RL especificamente nisso, rodando localmente com 2.71 GB em Q4_K_M, é uma segunda opinião barata e crível para rodar junto com um generalista hospedado. Não em vez de um. O perfil de falha do especialista é a substituição confiante, que é exatamente a falha que uma verificação generalista pega, e vice-versa.

Se a sua carga de trabalho for documentos, gráficos, capturas de tela, vídeo, código ou agentes, o 27B é o modelo a chamar, e o 44,81 num benchmark de detalhes finos para o qual ninguém o treinou não é motivo para pensar o contrário.

O que permanece por confirmar e merece ser acompanhado, em vez de presumido:

• A licença dos pesos. O Apache 2.0 cobre o código. O checkpoint não traz nenhuma etiqueta de licença e o cartão remete a "os termos de cada conjunto de dados e checkpoint" sem explicitá-los. Até que isso seja resolvido, a implantação comercial é uma conversa com um advogado, não uma caixa de seleção.

• Qualquer reprodução.Todos os números acima são informados pelos autores, produzidos no harness dos próprios autores. O benchmark e o avaliador são públicos, portanto é verificável, mas ninguém fora do Ant Group e da Zhejiang University o verificou.

• Se o ganho se generaliza além do pipeline. Os números de validação são os que merecem confiança, são modestos — 6,10 pontos acima da média de treze benchmarks do modelo base — e pendem fortemente para a família de granularidade fina que o treinamento teve como alvo. Se isso se transfere para as suas imagens é uma questão em aberto que o lançamento não responde.

• Se se mantém à altura em Q4. A ficha do GGUF avisa que a quantização pode afetar a precisão, e nada publicado compara as versões quantizadas com o checkpoint BF16 no ZoomGainBench. Para um modelo cujo valor total está no detalhe fino, essa é a experiência a realizar antes de confiar num ficheiro de 2,71 GB.