ZoomGain-9B foi lançado sem anúncio: o que o repositório realmente diz

O artigo foi publicado no arXiv em 10 de novembro de 2026. O repositório do GitHub foi criado um dia antes, em 9 de novembro, e seu primeiro commit tem o título “Release ZoomGain init”. Os pesos apareceram no Hugging Face em 10 de novembro às 11:42 UTC, seguidos por um repositório GGUF em 11 de novembro às 03:16. Não há post de lançamento no blog, nem anúncio do fornecedor, nem endpoint hospedado, nem tag de licença no próprio repositório do checkpoint. Esse é todo o registro público do ZoomGain-9B, um modelo de visão e linguagem de 9,4 bilhões de parâmetros da inclusionAI, o braço de modelos abertos do Ant Group, e o motivo pelo qual este texto é escrito como uma leitura de repositório, e não como uma história de lançamento.

O que o torna digno de atenção não é o sigilo. É que o repositório é excepcionalmente completo para algo que ninguém anunciou: o artigo, o benchmark de 1.000 perguntas, o conjunto de dados de aprendizado por reforço com 9.000 registros, o avaliador, o lançador de treinamento, dois checkpoints em 4B e 9B e três quantizações GGUF surgiram todos em cerca de dois dias. Você pode ler o método, executar novamente a avaliação e reproduzir o treinamento hoje. A única coisa que falta é alguém da empresa dizer que isso existe.

O que realmente saiu, em ordem

• 9 de novembro de 2026 — é criado o repositório inclusionAI no GitHub. Ele traz a licença Apache 2.0 e o código de construção de dados e de treinamento, não os pesos.

• 10 de novembro de 2026 — arXiv:2611.14076v1, "ZoomGain: Mineração de Lacunas de Percepção do Global ao Zoom para Supervisão Visual de Granularidade Fina", por Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao e Jianwei Yin, com afiliações na Ant Group, na Universidade de Zhejiang, na Om AI Research e no Instituto Binjiang.

• 10 de novembro de 2026, 11:42 UTC — inclusionAI/ZoomGain-9B e inclusionAI/ZoomGain-4B são criados no Hub, cada um com um único arquivo safetensors BF16 de 18,82 GB e 9,08 GB, respectivamente.

• 11 de novembro de 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF aparece com builds Q4_K_M, Q8_0 e F16, além de arquivos projetores mmproj correspondentes, o que é o passo que transforma um checkpoint de pesquisa em algo que um laptop pode tentar.

Um pequeno detalhe que vale a pena notar porque é exatamente o tipo de coisa que um lançamento coordenado não produz: a própria seção "Updates" do model card data o artigo, o benchmark, o conjunto de dados e os checkpoints todos como 2026.11.11, enquanto o carimbo de data/hora de criação do repositório e a data de submissão ao arXiv indicam ambos 10 de novembro. O card foi escrito a posteriori, de uma só vez, por alguém fazendo uma arrumação.

A ideia, em um único parágrafo, porque é genuinamente uma única ideia

Um modelo de visão frequentemente consegue responder a uma pergunta sobre uma região de uma imagem quando essa mesma região aparece isolada, mas falha quando ela está dentro do quadro completo. Os autores chamam isso de lacuna de percepção global-para-zoom e a transformam em supervisão. Primeira etapa: vários modelos localizam independentemente um alvo descrito na cena completa, e a concordância entre eles identifica uma região a ser recortada. Segunda etapa: legendas do recorte e legendas da cena completa são comparadas, e qualquer detalhe que o recorte revela mas a visão completa não revela se torna uma pergunta feita sobre a imagem original. Terceira etapa: as respostas são verificadas novamente no recorte, perguntas ambíguas e perguntas respondíveis a partir de conhecimentos prévios de linguagem são filtradas, e distratores plausíveis são gerados para o formato de múltipla escolha.

O treinamento é GRPO em 9.000 registros construídos sobre 7.713 imagens de origem — uma época, tamanho de lote 64, oito rollouts por pergunta — usando o código EasyR1 incluído. A avaliação usa, por padrão, temperatura 0 com o modo de pensamento do Qwen3.5 desativado, e as perguntas de OCR e de contagem permanecem abertas, enquanto as perguntas de atributos se tornam de múltipla escolha. Nada disso é incomum em si; o incomum é que o pipeline que gerou os dados de treinamento também gerou o benchmark, e o artigo é explícito quanto a isso.

Dois números que não são o mesmo número

No ZoomGainBench — o benchmark de 1.000 perguntas, 941 imagens, em inglês e chinês, criado por este mesmo pipeline —, o ZoomGain-9B obtém 55,48. Seu modelo base, Qwen3.5-9B, obtém 32,13. Isso representa um salto de 23,35 pontos em um benchmark do qual os próprios dados de treinamento do modelo foram extraídos, e o artigo rotula a coluna como “Held-in” exatamente por esse motivo.

O número a levar para uma decisão é a média de treze benchmarks que o treinamento nunca tocou, o que exclui o ZoomGainBench: 66,10 para o ZoomGain-9B contra 59,75 para o Qwen3.5-9B. Um ganho médio de 6,35 pontos a partir de 9.000 amostras é um resultado sólido e crível. Ambos os números são reais. Eles respondem a perguntas diferentes, e qualquer página que cite 55,48 sem dizer "held-in" está contando apenas metade da história.

Há uma segunda estranheza na mesma tabela que ninguém parece ter notado ainda: o irmão menor supera o 9B no benchmark held-in. O ZoomGain-4B obtém 55,81 no ZoomGainBench, contra 55,48 do 9B, embora perca na média held-out por 63,96 a 66,10. No benchmark construído a partir da distribuição de treinamento, os dois estão empatados dentro do ruído; quando você sai dessa distribuição, o tamanho se impõe novamente. Se você estivesse escolhendo entre eles com base em um único número de destaque, escolheria o errado.

O que 9.000 amostras compraram, benchmark por benchmark

Todos os valores a seguir são números relatados pelos autores, da Tabela 3 do artigo, obtidos pela própria estrutura de avaliação dos autores no avaliador divulgado, e não reproduzidos de forma independente por ninguém:

• HR-Bench 4K — 90,25, acima de 82,13. Este é o número com que o resumo abre, e é a afirmação mais forte do comunicado.

• V*Bench — 93,19, ante 86,91. Detecção de objetos pequenos em alta resolução.

• VisualProbe — 56,31, acima de 44,66. O maior ganho relativo fora do benchmark held-in.

• O3-Bench — 68,12, acima de 56,52. Percepção e raciocínio em várias etapas.

• MMVP — 70,00, acima de 60,00. O teste clássico de imagens pareadas que diferem em um detalhe.

• MMStar — 73,87, acima de 71,73. Competência multimodal geral, e o menor ganho do conjunto.

• BabyVision — 17,53, acima de 15,98. Ainda perto do piso, e um lembrete útil de que os ganhos estão concentrados na família de detalhes finos, em vez de distribuídos uniformemente.

Lidos em conjunto, o padrão é consistente com o método, e não com um aumento geral de capacidade: os maiores deltas estão em benchmarks que recompensam encontrar uma coisa pequena em um quadro grande, e os menores estão em benchmarks que recompensam amplo conhecimento de mundo e raciocínio visual comum. É assim que uma execução de RL direcionada a 9.000 questões de detalhes recortados deveria se parecer.

O que é possível saber, o que é alegado e o que simplesmente não foi confirmado

Conhecível a partir do repositório, hoje, sem precisar acreditar na palavra de ninguém: a arquitetura, porque a configuração é pública e identifica um tronco de texto Qwen3.5-9B com 32 camadas, dimensão oculta 4.096, intermediária 12.288 e 262.144 posições máximas, encapsulado em uma torre de visão; os dados de treinamento, porque o Parquet de 9.000 registros e as imagens de origem são disponibilizados como um conjunto de dados; o método, porque os prompts estão no apêndice do artigo; e a avaliação, porque o avaliador, as anotações e as imagens estão todos disponíveis para download.

Alegado, mas não confirmado: todas as pontuações de benchmark acima. O artigo as reporta no harness divulgado, o que as torna mais verificáveis do que a maioria das tabelas de fornecedores — você pode executá-las novamente — mas ninguém fora da lista de autores o fez ainda, e nenhum laboratório independente publicou um resultado do ZoomGain-9B.

Não confirmado de forma alguma, e vale ser franco:

• A licença do checkpoint. O código é Apache 2.0 e o card diz isso. O card então remete os termos do modelo e do conjunto de dados para "os cards do Hugging Face para os termos de cada conjunto de dados e checkpoint", e o repositório do checkpoint não traz nenhuma tag de licença nos metadados do Hub. Essa é uma lacuna a ser fechada lendo os arquivos antes de você publicar, não uma promessa em que você possa confiar.

• O comprimento de contexto. O model card não informa nenhum. As 262.144 posições máximas da configuração são herdadas do tronco Qwen3.5-9B, o que não é o mesmo que uma propriedade testada do checkpoint pós-treinado, e toda avaliação no artigo usa uma única imagem com o raciocínio desativado.

• Comportamento geral do assistente. Nada nos testes de lançamento abrange conversa, chamada de ferramentas, geração de textos longos ou uso com múltiplos turnos. O modelo foi treinado para responder a perguntas sobre fotografias, e essa é a única capacidade respaldada por evidências.

• Qualquer host. O mapeamento de provedores do Hub para o repositório está vazio. Não há API do fornecedor nem endpoint de terceiros listado, então "experimentar" atualmente significa "baixar 18,82 GB".

Vou executar isso esta semana, se você quiser.

O caminho GGUF é o mais barato: uma build Q4_K_M de 5,63 GB mais um projetor mmproj de 0,52 GB, ou 9,53 GB em Q8_0, ou 17,92 GB em F16. A entrada de imagens exige os dois arquivos — o projetor não é opcional, e uma build do llama.cpp com suporte multimodal ao Qwen3.5 é o pré-requisito. O caminho de referência é mais pesado, mas melhor documentado: vLLM 0.19.1 com transformers 5.7.0, exatamente as versões com que os autores avaliaram, em um checkpoint BF16 que exige no mínimo uma placa de 24 GB e uma folga confortável acima disso.

Vale a pena reservar orçamento para o protocolo de avaliação, assim como para os pesos. Os autores executam com temperatura 0 e com o pensamento desativado e pontuam as perguntas de atributo por correspondência exata na opção escolhida, a contagem por correspondência exata no inteiro previsto, e o OCR por ANLS com um piso de 0,7. Se você avaliar com o pensamento ativado, ou com um modelo de prompt diferente, estará medindo algo que os autores não relataram e não deve esperar que os números deles sejam transferíveis.

A OrcaRouter não hospeda o ZoomGain-9B, e este texto não vai fingir o contrário. O que temos é uma única chave para mais de 200 modelos pelo preço de lista do provedor, sem acréscimo de margem, o que importa aqui por um motivo específico e prático: a maneira mais rápida de descobrir se os erros do seu pipeline são erros de detalhe fino é rodar as mesmas imagens por um modelo de visão hospedado e comparar os casos de falha. O Qwen3-VL-8B-Instruct em nosso catálogo custa US$ 0,18 por milhão de tokens de entrada e US$ 0,70 por milhão de saída com contexto de 131K, aceita imagens e vídeo, e não vai igualar um modelo treinado com perguntas extraídas de recortes — mas vai lhe dizer em uma tarde se vale a pena comprar a GPU.

O que mudaria esta história

Quatro coisas, em ordem crescente de importância. Um anúncio da inclusionAI, que transformaria uma leitura de repositório em um lançamento e provavelmente viria com um esclarecimento sobre a licença. Uma etiqueta de licença de checkpoint, que resolveria a questão que atualmente bloqueia a adoção comercial. Um endpoint hospedado, que removeria a barreira dos 18,82 GB para todos que não possuem o hardware. E uma avaliação independente, que é a que realmente faria diferença: a alegação de que um modelo 9B atinge 90,25 no HR-Bench 4K é o tipo de número que ou sobrevive a um segundo laboratório ou desaparece discretamente.

Até lá, o resumo honesto é que o ZoomGain-9B é um lançamento de pesquisa bem documentado, com um método compreensível, um harness reproduzível, uma divisão entre held-in/held-out incomumente honesta, e nenhum terceiro por trás de nada disso. Isso é mais do que a maioria dos lançamentos discretos oferece, e menos do que um produto.