ZwZ2-4B foi disponibilizado sem um lançamento: o que o cartão do modelo diz e o que ele não diz

O ZwZ2-4B foi criado em 15 de outubro de 2026 às 06:11 UTC e, até esta manhã, tem zero downloads e zero curtidas. Isso não é incomum para um checkpoint que ninguém anunciou. O que é incomum é que ele também traz um model card completo: uma seção de método, uma descrição dos dados de treinamento, um bloco de quickstart e um resultado de destaque que afirma ter 25 benchmarks e uma melhoria de 5,38 pontos em relação ao Qwen3.5-4B, o modelo a partir do qual foi ajustado por fine-tuning. A inclusionAI publicou a documentação sem publicar o anúncio. O card está lá; o press release não; e a diferença entre essas duas coisas é toda a história deste checkpoint.

Este texto é deliberadamente limitado quanto ao que afirmará. Tudo abaixo marcado como fato de repositório foi lido diretamente dos arquivos — a configuração, o índice de pesos, a entrada do conjunto de dados, o próprio card. Tudo marcado como alegação de fornecedor é o próprio número da inclusionAI, reproduzido como alegação e não como resultado. Não existe nenhuma avaliação independente do ZwZ2-4B, e qualquer pessoa que diga o contrário está apenas lendo o card de volta para você.

O que realmente foi entregue, em quais datas

A família ZwZ2 chegou em uma janela de cerca de vinte e três horas e meia, em ordem inversa de tamanho. O ZwZ2-4B veio primeiro, em 15 de outubro às 06:11 UTC. ZwZ2-9B veio em seguida, em 16 de outubro às 03:42. ZwZ2-27B fechou o conjunto às 05:42 da mesma manhã. O conjunto de dados de treinamento, inclusionAI/ZwZ2-RL-VQA, apareceu três dias depois, em 19 de outubro. Todos os três repositórios, o conjunto de dados e a coleção da família têm carimbos de data/hora de hoje, 27 de outubro — a passagem de manutenção mais recente em uma família que ainda não tem nenhum anúncio público associado a ela.

O que não aconteceu: nenhuma entrada no blog da inclusionAI e nenhum tópico de lançamento. Os três checkpoints de fato compartilham uma coleção, Zooming-without-Zooming-v2, com quatro itens, mas uma coleção é um contêiner, não um anúncio. O repositório do GitHub que hospeda o código da primeira geração não foi atualizado de forma alguma — ele ainda lista quatro modelos, ZwZ-2B, ZwZ-4B, ZwZ-7B e ZwZ-8B, todos construídos sobre backbones Qwen3-VL. A família v2 não está nele. Se você procurar o código que produziu o ZwZ2-4B, encontrará o código de seu antecessor, e o README de lá não mencionará o modelo que você tem em mãos.

A alegação, enunciada como alegação

A ficha da inclusionAI relata uma precisão geral de 49,41 para o modelo base e 54,79 para o ZwZ2-4B, medida em 25 benchmarks agrupados em seis domínios. A ficha afirma que o modelo melhorou em cada um desses benchmarks e que as médias geral e por domínio atribuem o mesmo peso a cada benchmark. Os seis domínios citados são percepção de granularidade fina, raciocínio espacial, compreensão de contexto longo, agentes multimodais e raciocínio visual geral, além do grupo de granularidade fina que responde pelo resultado de destaque.

Esses dois números são todo o argumento quantitativo do modelo. As pontuações por benchmark existem na página como figuras — um PNG e um SVG — e não como texto, o que significa que os oito resultados representativos e os vinte e cinco completos são visíveis, mas não legíveis por máquina. O único conjunto de benchmarks descrito em prosa é MMLongBench*, cujo núcleo visual é listado como V-RAG, Image MM-NIAH e VH-Multi, em 25 tarefas não-Counting. O cartão também observa que a resolução de imagem para "modelos avançados" é limitada pela plataforma de serviço, o que é uma ressalva justa e também um lembrete de que uma pontuação de percepção é, em parte, uma declaração sobre como a imagem chegou ao modelo.

Uma média de +5,38 em 25 benchmarks é uma afirmação ousada para um modelo da classe 4B. É também exatamente o tipo de afirmação que um fornecedor está na melhor posição para fazer e na pior para verificar, porque o fornecedor escolheu o conjunto de benchmarks, a ponderação e a resolução. Trate 54,79 como o número a ser reproduzido, não como o número para planejar.

O método: uma passada, sem zoom, sem SFT

O pipeline de treinamento chama-se EvidenceConnect e é a segunda geração de uma ideia que o laboratório publicou no início deste ano com o nome "Zooming without Zooming". A premissa é que a percepção visual de grão fino geralmente é resolvida no momento da inferência — recortar a região, fazer a pergunta novamente, repetir — e que isso é caro e frágil. Em vez disso, o ZwZ2 ensina o modelo a atentar para evidências regionais dentro de uma única passagem direta.

A construção ocorre em quatro etapas, como o cartão descreve. Regiões relacionadas são agrupadas, de três a sete por imagem, extraídas do SA-1B. As perguntas são geradas com base em visualizações ampliadas privilegiadas dessas regiões, para que o redator das perguntas possa ver detalhes que o modelo de política nunca verá na inferência. Essas perguntas são então filtradas duas vezes — por concordância entre modelos e por um teste de remoção de uma região que verifica se remover uma região realmente altera a resposta. Perguntas verificadas tornam-se tarefas de múltipla escolha com quatro opções, e o modelo é treinado com GRPO. Não há nenhuma etapa de ajuste fino supervisionado.

Na inferência, a política vê a imagem completa com contornos de regiões coloridas desenhados nela. Os recortes privilegiados existem apenas durante a construção dos dados. Cada tamanho de modelo da família usou cerca de 20.000 exemplos de treinamento; o cartão do conjunto de dados indica o número exato como 20.662 questões de múltipla escolha, cinco downloads e uma data de criação de 19 de outubro.

O design tem uma consequência visível que vale a pena sinalizar para quem planeja avaliá-lo. Um modelo treinado apenas em múltipla escolha de quatro opções está sendo otimizado para um formato de tarefa que não se parece em nada com legendagem aberta ou perguntas e respostas visuais livres. Se sua carga de trabalho pede um parágrafo sobre uma imagem, este checkpoint não foi treinado para isso, e a seção de limitações do card diz exatamente isso: detalhes alucinados, texto lido incorretamente, erros de contagem, erros espaciais.

O que a configuração prova, independentemente do laboratório

Há uma classe de fato que você não precisa aceitar com base na confiança, porque é aritmética sobre arquivos publicados. O ZwZ2-4B pesa 4.539.265.536 parâmetros em BF16, armazenados em um único arquivo safetensors de 9,08 GB. A página do Hugging Face arredonda isso para "5B", o que é generoso; o índice diz 4,54B. Sua base, Qwen3.5-4B, pesa 4.659.865.088 — então o derivado é, em cerca de 120,6 milhões de parâmetros, menor do que o modelo do qual foi treinado.

Essa diferença tem uma explicação clara na configuração. O Qwen3.5-4B declara uma camada de predição de múltiplos tokens; o ZwZ2-4B declara zero. A cabeça de decodificação especulativa foi removida. Remova uma cabeça MTP de um checkpoint de 4,6B e você chega quase exatamente à diferença observada. Esta é a mesma edição que o irmão de 9B carrega, e é a evidência mais forte disponível de que estes são derivados pós-treinados, e não modelos treinados do zero.

O restante da pilha permanece inalterado em relação à base:

• Profundidade — 32 camadas tanto no ZwZ2-4B quanto no Qwen3.5-4B

• Largura — tamanho oculto 2.560, intermediário 9.216

• Atenção — 16 cabeças de consulta contra 4 cabeças KV, dimensão da cabeça 256, um esquema 3:1 de lineares para completas (24 camadas lineares, 8 completas)

• Vocabulário — 248.320 tokens, embeddings atados

• Contexto — 262.144 posições, M-RoPE em uma divisão 11/11/10, fator de rotação parcial de 0,25

• Torre de visão — 24 camadas com dimensão oculta de 1.024, tamanho de patch 16, fusão espacial 2×2

• Ambiente de execução — transformers 5.13.1, identificador de arquitetura Qwen3_5ForConditionalGeneration

O template de chat merece uma linha porque muda como o modelo se comporta de fábrica. O template disponibilizado opera em modo sem raciocínio e instrui o modelo a colocar sua resposta final dentro das tags <answer>. Se você carregá-lo com um arcabouço VLM genérico que espera texto livre, receberá tags na saída e vai se perguntar por quê.

O que o cartão não lhe diz

Três lacunas importam mais do que qualquer coisa que o cartão diga.

A primeira é a licença. O repositório não tem arquivo LICENSE nem tag de licença. O texto da própria ficha remete à “licença que acompanha os pesos divulgados e à licença aplicável do backbone” — mas não há arquivo de licença que os acompanhe. O backbone, Qwen3.5-4B, é Apache-2.0, então a interpretação mais provável é que a obra derivada herde essa licença. Provável não é o mesmo que declarado, e uma revisão jurídica não aceitará uma frase na ficha que remeta a um arquivo que não existe.

O segundo é o artigo. O método v2 — EvidenceConnect, o filtro de eliminação de uma região, o treinamento apenas com GRPO — não tem descrição pública. O link para o artigo no cartão ainda é o placeholder literal PAPER_URL. O único identificador arXiv associado ao repositório, 2602.11858, é o artigo de primeira geração, que descreve a destilação de região para imagem em backbones Qwen3-VL: um método diferente, uma família de base diferente e um conjunto de números diferente. O cartão do conjunto de dados herda o mesmo identificador, então a etiqueta propaga a incompatibilidade.

A terceira é a ausência de qualquer medição independente. Nenhum ranking avaliou o ZwZ2-4B, não existe replicação, e o contador de downloads não saiu do zero. Um modelo pode ser excelente e não medido ao mesmo tempo; o ponto é apenas que nada fora do laboratório confirmou ainda o 54.79.

A armadilha de nomenclatura em que você vai cair

Pesquise por este modelo e encontrará outro primeiro. O ZwZ-4B de primeira geração é um checkpoint real e documentado, criado sobre o Qwen3-VL-4B, e publica uma média de 66.86 contra 61.52 do seu backbone, com uma pontuação de 55.74 no ZoomBench. Esses números são amplamente citados e não são os números do ZwZ2-4B. Eles pertencem a um modelo base diferente, a uma receita de treinamento diferente e a um conjunto de benchmarks diferente.

Os dois nomes diferem em um único caractere. Uma tabela comparativa que os misture parecerá internamente consistente e estará errada. Se uma página de fornecedor ou um agregador exibir ZwZ2-4B a 66,86, esse é o erro que você está vendo.

Se você precisar de um modelo de visão pequeno esta semana

O ZwZ2-4B não está no catálogo do OrcaRouter, e este texto não vai fingir o contrário. É um checkpoint que você baixa e serve por conta própria; não há endpoint hospedado para ele em lugar algum que a página do Hugging Face reconheça, e a página relata explicitamente que nenhum provedor de inferência o disponibiliza.

O que o catálogo tem é a alternativa prática para a mesma tarefa: qwen/qwen3-vl-8b-instruct a US$ 0,18 por milhão de tokens de entrada e US$ 0,70 por milhão de saída, com contexto de 131K, servido pelo mesmo endpoint compatível com OpenAI que todo o resto. Se seu plano era avaliar o ZwZ2-4B em comparação com uma baseline de visão hospedada, essa é a baseline, e executar ambos a partir de uma única chave significa uma biblioteca cliente e uma fatura em vez de duas integrações. O OrcaRouter roteia mais de 200 modelos com failover automático, então um caminho de visão criado nesse endpoint não depende de um único upstream permanecer saudável.

Para um modelo com zero downloads e nenhum arquivo de licença, essa é a recomendação honesta: alugue a comparação, seja dono do experimento.

O que mudaria esta avaliação?

Três eventos, em ordem decrescente de importância. Um arquivo de licença, que transformaria uma incógnita jurídica em uma resposta jurídica. Um paper público v2, que permitiria a alguém verificar a filtragem do EvidenceConnect em busca de vazamento — o teste de exclusão de uma região é uma boa ideia, e boas ideias são exatamente o que precisa ser auditado. E qualquer pontuação de terceiros que seja, porque um único benchmark reproduzível em um arnês neutro faria mais por este checkpoint do que mais mil palavras de cartão.

Até que um desses seja lançado, o ZwZ2-4B é um especialista em percepção de 4,54B bem documentado, não anunciado e não medido, cujo próprio cartão diz que supera seu modelo base em 5,38 pontos. Essa é uma alegação genuína e específica. Ainda não é um resultado, e a distinção é a única coisa que vale a pena levar deste repositório.