
ZoomGain-4B вышел 11 ноября без какого-либо анонса
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 90 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 97 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaНОВИНКАOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 88 tok/s
- OrcaНОВИНКАOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 133 tok/s
- OrcaНОВИНКАOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 за 1 млн токенов · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 за 1 млн токенов · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Интеллект
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Интеллект
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 за 1 млн токенов · 185 tok/s
Первый коммит в inclusionAI/ZoomGain датирован 2026-11-09 в 02:13 UTC, а его сообщение — «Release ZoomGain init.» Веса для ZoomGain-4B появились на Hugging Face 2026-11-10 в 11:38 UTC. Листинг arXiv, набор для оценки и корпус для обучения с подкреплением, который её породил, датированы 2026-11-11 — тем же днём, когда в последний раз редактировалась карточка модели. Чего нигде не удалось найти, так это поста о запуске. На сайте inclusionAI нет новостной записи, в профиле организации на Hugging Face нет объявления, помимо самого репозитория, нет размещённой конечной точки и нет освещения от кого бы то ни было. ZoomGain-4B — это визуально-языковая модель, построенная с помощью обучения с подкреплением поверх Qwen3.5-4B, и по состоянию на сегодняшнее утро единственные, кто знает о её существовании, — это те, кто случайно заглянул в список репозитория. Это статья о том, что говорит репозиторий: каждое число ниже — либо отметка времени, которую вы можете проверить сами, либо число, которое авторы указали в своей собственной карточке, а места, где этого недостаточно, отмечены как таковые.
Для читателя, который хочет сначала понять общую картину, а уже потом детали: модель — это мультимодальный чекпойнт на 4,54 млрд параметров, который отвечает на вопросы с выбором ответа о мелких визуальных деталях — мелком тексте на фотографии, количестве объектов в загромождённой сцене, атрибуте, который можно разобрать, только если приблизить фрагмент. Авторы утверждают, что модель зрения, смотрящая на полное изображение, упускает детали, которые прекрасно считывает, стоит увеличить тот же участок, и что этот разрыв можно превратить в обучающий сигнал. Затем они построили на той же machinery бенчмарк из 1000 вопросов, и на этом бенчмарке обученная 4B-модель набирает 55,81 против 30,03 у модели, из которой она была обучена. Эти два числа — вся суть аргумента, и к ним прилагается оговорка, которую приводит сама статья: бенчмарк построен тем же пайплайном, что и обучающие данные, что статья называет «held-in».
Что вышло — и что говорят отметки времени
Релиз на удивление полон для того, о чём никто не объявлял. Шесть артефактов, все в пределах 48-часового окна:
• Статья.«ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision», arXiv 2611.14076, представлена 10 ноября 2026 г.; авторы: Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao и Jianwei Yin. Семь авторов, cs.CV и cs.AI.
• Чекпойнт 4B. inclusionAI/ZoomGain-4B, safetensors в BF16. Метаданные файла насчитывают 4,539,265,536 параметров. Apache 2.0 на код; карточка отсылает к условиям для чекпойнта и набора данных в их собственных репозиториях.
• Чекпоинт 9B. inclusionAI/ZoomGain-9B, 9 409 813 744 параметра, созданный через четыре минуты после своей меньшей версии.
• Квантованные сборки. ZoomGain-4B-GGUFпоявились 2026-11-11 в 03:09 UTC с тремя уровнями точности и соответствующими проекторами для изображений: Q4_K_M — 2,71 ГБ, Q8_0 — 4,48 ГБ, F16 — 8,42 ГБ, каждый с файлом mmproj для кодировщика изображений. Затем последовал 9B GGUF.
• Бенчмарк. inclusionAI/ZoomGainBench, 1 000 вопросов по 941 изображению, английский и китайский текст для каждого элемента, а также эталонный ответ, правило оценки и ограничивающий прямоугольник доказательства в пиксельных координатах.
• Обучающие данные. inclusionAI/ZoomGain-RL-Data, 9 000 записей и 7 713 исходных изображений в формате Parquet вместе с метаданными вознаграждения, которые ожидает обучающий скрипт.
Тишина не является загадкой, и в ней нет ничего зловещего. Так выглядит внутренний релиз исследовательской группы, когда статья появляется на arXiv раньше, чем кто-либо успевает написать пост в блоге. Все признаки налицо: три коммита утром 11 ноября, все озаглавленные «update readme» и сделанные с интервалом в четырнадцать минут, у репозитория на GitHub три звезды и не заполнено поле описания, оба репозитория с чекпойнтами показывают ноль скачиваний и ноль лайков, а страница модели 4B содержит предупреждение о пустых или отсутствующих метаданных YAML. Ничто из этого не является свидетельством о самой модели. Это свидетельство о процессе выпуска.

Метод в трёх шагах
Интересная часть ZoomGain — не модель, а то, как были составлены вопросы. Пайплайн состоит из трёх этапов, и только первый из них традиционный.
• Определите цель.Несколько моделей независимо локализуют область, описанную в полной сцене. Там, где их результаты совпадают, это совпадение принимается за фрагмент, который стоит сохранить. Использование расхождений в качестве фильтра означает, что слепое пятно ни одной отдельной модели не определяет целевой набор.
• Извлекайте доказательства. Подписи к одному и тому же участку сравниваются на двух уровнях увеличения. Всё, что раскрывает обрезанный фрагмент и не показывает полное изображение, превращается в вопрос о полном изображении. Именно этот механизм порождает тот «разрыв между глобальным изображением и приближением», о котором говорится в названии: на вопрос можно ответить, но только если модель разберётся в чём-то на границе своего восприятия.
• Проверка и отвлекающие варианты.Ответы перепроверяются по вырезке, неоднозначные вопросы отбрасываются, вопросы, на которые можно ответить вообще без изображения, отбрасываются, а для вопросов с несколькими вариантами ответа генерируются отвлекающие варианты. Абляционное исследование показывает, что этот последний шаг действительно важен — удаление специально созданных отвлекающих вариантов приводит к потере 8,96 балла на held-in бенчмарке; это самое большое единичное падение, о котором сообщает статья.
Само обучение не является чем-то экзотическим. GRPO через встроенный фреймворк EasyR1, одна эпоха, размер батча 64, восемь роллаутов на вопрос — на 9 000 записей это даёт 140 шагов. В репозитории есть smoke-тест, который выполняет один шаг, включая роллаут, награду и сохранение чекпоинта, а также полные скрипты запуска для обоих размеров. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 и transformers 5.7.0 — все версии зафиксированы, и это как раз разница между репозиторием, который воспроизводится, и тем, который лишь описывает.
Число, которое имеет значение, и оговорка, которая его уменьшает
ZoomGainBench намеренно сложен. Сильнейшая модель на нём — GPT-5.6-Sol с 61,08 общего балла, и это 61,08 из 100 в вопросах с множественным выбором о фотографиях. Claude-Opus-5 находится на уровне 59,86, Gemini-3.6-Flash — 59,41. Лучшая открытая универсальная визуальная модель в таблице, Qwen3.8-Flash-Next со 125 млрд параметров, достигает 55,05. Модель с 4 млрд параметров, обученная на 9 000 образцах, набирает 55,81 — выше универсальной модели со 125 млрд, выше Kimi-K3 с 2,8 трлн параметров, выше GLM-5.3-Flash с 320 млрд.
Если бы эта цифра устояла при проверке на независимом испытательном стенде, это была бы главная новость месяца. Пока что этого не происходит — по причине, которую авторы статьи прямо признают. ZoomGainBench построен тем же конвейером, который создал обучающие данные, и в собственной таблице абляций статьи он указан в столбце с заголовком «Held-in». Вопросы не совпадают с обучающими, но они извлечены из того же распределения тем же механизмом. Модель, дообученная на этом распределении, получает преимущество, которого нет у модели, оцениваемой zero-shot, и размер этого преимущества — ровно то, что сегодня не может измерить никто за пределами inclusionAI.
Доказательства на отложенной выборке менее эффектны, но более убедительны. В статье приводится среднее значение по десяти отложенным бенчмаркам: 54,20 для необученной Qwen3.5-4B и 60,96 для обученной с ZoomGain 4B. Средний прирост в 6,76 балла на бенчмарках, которых обучение никогда не видело, — это реальный результат. Просто это не то же самое утверждение, что победа над моделью с 2,8 трлн параметров.
Также стоит отметить, что выигрыш не является равномерным. Сравнивая 4B с его собственной базовой моделью по основной таблице статьи:
• Большие приросты.Visual Probe с 43.30 до 57.28. O3-Bench с 54.20 до 63.19. Zoom Bench с 48.88 до 59.88. HR-Bench 4K с 81.25 до 87.25. BabyVision с 14.69 до 21.13.
• Умеренный рост. MME-RealWorld-Lite: с 57,89 до 61,59. MMStar: с 66,80 до 72,53. HR-Bench 8K: с 77,63 до 83,88. MMVP: с 57,33 до 61,33.
• Одна регрессия.«Tree» в стиле TreeBench показывает 49,38 до обучения и 49,14 после. Снижение на 0,24 пункта, вполне в пределах шума, но оно включено в таблицу, а не исключено из неё, что является хорошим знаком для самой таблицы.

Что действительно не подтверждено?
Четыре вещи, и они важнее обычной оговорки.
Независимой оценки не существует. Ни единой цифры от третьей стороны. 55,81, среднее 60,96, 90,25, которых 9B достигает на HR-Bench 4K, — всё это авторы, измеряющие собственную модель на собственной испытательной среде. Для статьи это нормально, и это не свидетельствует о том, что что-то не так. Это означает, что числа следует воспринимать как заявления.
Нет хостинговой конечной точки. Ни один из чекпоинтов не указывает поставщика инференса. Нет API, нет песочницы, нет тарифов. Если вы хотите использовать эту модель в течение следующего месяца, вам придётся скачать 8,42 ГБ и запустить её самостоятельно.
В трёх местах название расходится с количеством параметров. Модель называется 4B, карточка GGUF указывает 4B, бейдж репозитория — 5B, а фактический итог по safetensors — 4.54B. Эти лишние полмиллиарда — визуальный энкодер и проектор, и это обычное объяснение, — но карточка, которая не может сохранить одно и то же число согласованным в первый же день, не проходила вычитку, и это разумно принимать в расчёт, когда вы решаете, насколько доверять всему остальному.
Никакого заявления о намерениях. Будет ли модель на 30B? Хостинговая версия? Версия v2 с отложенным бенчмарком? В репозитории об этом ничего не сказано. Журнал обновлений в README содержит три строки, все датированы 2026.11.11, и все они описывают то, что уже выпущено, а не то, что будет дальше.

Запустить это сегодня без вендора
Путь через GGUF — практический, и у него есть жёсткое предварительное условие: нужна сборка llama.cpp с поддержкой мультимодальности Qwen3.5. В карточке прямо указано, что языковая модель и mmproj-проектор — это отдельные файлы, и что для ввода изображений нужны оба. В примере CLI передаются -m для модели, --mmproj для проектора, --image для изображения, и запуск выполняется при температуре 0 с отключённым режимом мышления, что также используется по умолчанию в оценочном стенде. llama-server работает так же на порту 8080. При Q4_K_M вы занимаете 2,71 ГБ под языковую модель плюс проектор, что спокойно помещается на ноутбуке; при F16 — 8,42 ГБ плюс проектор, это рабочая станция или одна видеокарта среднего уровня.
Для любых объёмов поддерживаемым стеком является vLLM 0.19.1 с transformers 5.7.0, а собственный скрипт оценки из репозитория принимает MODEL_PATH, список GPUS и переключатель LANGUAGE, который запускает режимы только на английском, только на китайском или на обоих для 2000 задач. Этого достаточно, чтобы воспроизвести заявленные числа на собственном оборудовании, — больше, чем предлагают большинство незаметных релизов.
Если вам не хочется разворачивать GPU, чтобы выяснить, стоит ли подход вообще чего-то, честный промежуточный шаг — прототипировать цикл «обрезать и спросить» на размещённой vision-модели, которую можно вызвать уже сегодня. В нашем каталоге есть Qwen3-VL-8B по $0.18 за вход и $0.70 за выход за миллион токенов, а также линейка Qwen3.5 начиная с qwen3.5-35b-a3b по $0.057 и $0.459 и выше — один ключ, никаких отдельных договоров с поставщиками и правило маршрутизации, которое переключается на вторую модель, если первая зависнет. Самой ZoomGain-4B в нашем каталоге нет, и я не стану делать вид, что это не так; смысл обходного пути через размещённую модель — установить, действительно ли ваш продукт ошибается именно на вопросах мелких деталей, прежде чем вы потратите неделю на самостоятельно размещённую 4B, которая отвечает на них лучше лишь по сравнению со своей родительской моделью.
Что превратило бы это из любопытной мелочи в решение?
{{1}}Три сигнала, в порядке убывания их информативности. Во-первых, независимый запуск ZoomGainBench кем-то, кто никак не заинтересован в этом пайплайне, — бенчмарк открыт, тестовый стенд есть в репозитории, а порог входа — GPU и полдня, так что это, вероятно, произойдёт раньше любого из остальных.{{/1}} {{2}}Во-вторых, расширение на отложенной выборке: если авторы ответят на очевидное возражение, проверив результаты на бенчмарке, к созданию которого они не приложили руку, то 55,81 перестанет быть числом об их собственном тестовом наборе.{{/2}} {{3}}В-третьих, хостинговое развёртывание, которое показало бы, что веса действительно можно обслуживать с приемлемой задержкой, а не просто скачивать.{{/3}}
Пока что-то из этого не подтвердится, правильное описание ZoomGain-4B — не «небольшая vision-модель превосходит передовые». Оно такое: исследовательская группа опубликовала рецепт обучения, который поднимает 4B vision-модель в среднем на 6,76 балла на десяти бенчмарках, на которых она не обучалась, и одновременно опубликовала бенчмарк, показывающий, что тот же трюк даёт гораздо больший показатель на вопросах, построенных таким же образом. Первая половина — это результат исследования. Вторая половина — маркетинг, и она появилась без пресс-релиза, что, по крайней мере, освежающе необычный порядок, в котором эти две вещи появились.
