ZoomGain-9B выпущен без анонса: что на самом деле говорится в репозитории

Статья появилась на arXiv 10 ноября 2026 года. Репозиторий на GitHub был создан днём ранее, 9 ноября, а его первый коммит называется «Release ZoomGain init». Веса появились на Hugging Face 10 ноября в 11:42 UTC, а следом, 11 ноября в 03:16, — GGUF-репозиторий. Нет ни анонсирующего поста в блоге, ни объявления от вендора, ни хостируемого эндпоинта, ни метки лицензии в самом репозитории с чекпойнтом. Это вся публичная информация о ZoomGain-9B — визуально-языковой модели с 9,4 млрд параметров от inclusionAI, подразделения Ant Group, отвечающего за открытые модели, и причина, по которой этот материал написан как разбор репозитория, а не как рассказ о запуске.

То, что делает это достойным внимания, — не скрытность. А то, что репозиторий на удивление полон для чего-то, о чём никто не объявлял: статья, бенчмарк на 1 000 вопросов, датасет для обучения с подкреплением на 9 000 записей, инструмент оценки, лаунчер обучения, две контрольные точки на 4B и 9B и три GGUF-квантования — всё появилось примерно за два дня. Можно прочитать описание метода, повторно запустить оценку и воспроизвести обучение уже сегодня. Не хватает только кого-то из компании, кто скажет, что это существует.

Что фактически было реализовано, по порядку

• 9 ноября 2026 года — создан репозиторий inclusionAI на GitHub. В нём опубликованы лицензия Apache 2.0 и код построения данных и обучения, но не веса модели.

• 10 ноября 2026 г. — arXiv:2611.14076v1, «ZoomGain: выявление разрывов между глобальным и масштабированным восприятием для тонкозернистого визуального контроля», авторы: Хаочжань Шэнь, Лянбо Хэ, Цзюнь Лань, Хуэйцзя Чжу, Вэйцян Ван, Тяньчэн Чжао и Цзяньвэй Инь; аффилиации: Ant Group, Чжэцзянский университет, Om AI Research и Binjiang Institute.

10 ноября 2026 г., 11:42 UTC — inclusionAI/ZoomGain-9B и inclusionAI/ZoomGain-4B созданы на Hub, каждый с единственным файлом BF16 safetensors размером 18,82 ГБ и 9,08 ГБ соответственно.

• 11 ноября 2026 г., 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF появляется со сборками Q4_K_M, Q8_0 и F16, а также соответствующими файлами проектора mmproj — это тот шаг, который превращает исследовательский чекпойнт в нечто, что ноутбук уже может попробовать запустить.

Одна маленькая деталь, которую стоит отметить, потому что это ровно то, чего не бывает при скоординированном запуске: собственный раздел «Updates» в карточке модели датирует статью, бенчмарк, датасет и чекпоинты всё тем же 2026.11.11, тогда как временная метка создания репозитория и дата отправки на arXiv обе указывают на 10 ноября. Карточку писали постфактум, за один проход, кто-то, наводя порядок.

Идея — в одном абзаце, потому что это действительно одна идея.

Модель зрения часто может ответить на вопрос о фрагменте изображения, но терпит неудачу, когда тот же фрагмент находится внутри всего кадра. Авторы называют это разрывом восприятия между глобальным обзором и приближением и превращают его в источник супервизии. Первый этап: несколько моделей независимо локализуют целевой объект, описанный в полной сцене, и их согласие определяет область для обрезки. Второй этап: подписи к обрезанному фрагменту и подписи к полной сцене сравниваются, и любая деталь, которую раскрывает фрагмент, но не передаёт полный вид, становится вопросом, задаваемым об исходном изображении. Третий этап: ответы перепроверяются на фрагменте, неоднозначные вопросы и вопросы, на которые можно ответить из языковых априорных данных, отфильтровываются, а для формата множественного выбора генерируются правдоподобные отвлекающие варианты.

Обучение — это GRPO на 9000 записях, построенных на основе 7713 исходных изображений: одна эпоха, размер батча 64, восемь роллаутов на вопрос — с использованием входящего в комплект кода EasyR1. При оценке по умолчанию используется температура 0 при отключённом режиме мышления Qwen3.5; вопросы OCR и подсчёта остаются открытыми, тогда как вопросы об атрибутах становятся вопросами с множественным выбором. Ничто из этого само по себе не является необычным; необычно то, что конвейер, сгенерировавший обучающие данные, также сгенерировал и бенчмарк, и статья прямо об этом говорит.

Два числа, которые не являются одним и тем же числом

На ZoomGainBench — бенчмарке на 1000 вопросов и 941 изображение на английском и китайском языках, построенном тем же пайплайном, — ZoomGain-9B набирает 55,48. Его базовая модель Qwen3.5-9B набирает 32,13. Это скачок на 23,35 балла на бенчмарке, из которого были извлечены данные обучения самой модели, и статья называет этот столбец «Held-in» именно по этой причине.

Число, которое следует использовать при принятии решения, — это среднее по тринадцати бенчмаркам, которых обучение никогда не касалось, причём ZoomGainBench исключён: 66,10 у ZoomGain-9B против 59,75 у Qwen3.5-9B. Средний прирост на 6,35 пункта, полученный на 9 000 образцах, — это солидный, правдоподобный результат. Оба числа реальны. Они отвечают на разные вопросы, и любая страница, которая приводит 55,48, не упоминая «held-in», сообщает вам только половину.

В той же таблице есть вторая странность, которую, похоже, пока никто не заметил: младший собрат обходит 9B на held-in-бенчмарке. ZoomGain-4B набирает 55.81 на ZoomGainBench против 55.48 у 9B, но проигрывает по среднему результату на отложенной выборке — 63.96 против 66.10. На бенчмарке, построенном по обучающему распределению, они равны в пределах шума; как только вы выходите за пределы этого распределения, размер снова даёт о себе знать. Если бы вы выбирали между ними на основании одного главного числа, вы выбрали бы не тот.

Что купили 9 000 образцов — бенчмарк за бенчмарком

Все приведённые ниже показатели — это цифры, сообщённые авторами в таблице 3 статьи; они получены с помощью собственного испытательного стенда авторов на выпущенном средстве оценки и никем не были независимо воспроизведены.

• HR-Bench 4K — 90,25, рост с 82,13. Именно с этого числа начинается аннотация, и это самое сильное утверждение в пресс-релизе.

• V*Bench — 93.19, рост по сравнению с 86.91. Обнаружение мелких объектов при высоком разрешении.

• VisualProbe — 56,31, что выше 44,66. Наибольший относительный прирост за пределами удерживаемого бенчмарка.

• O3-Bench — 68.12, рост с 56.52. Многоэтапное восприятие и рассуждение.

• MMVP — 70.00, рост с 60.00. Классический тест пар изображений, различающихся одной деталью.

• MMStar — 73.87, рост с 71.73. Общая мультимодальная компетентность и наименьший прирост в наборе.

• BabyVision — 17,53, рост с 15,98. Показатель по-прежнему близок к нижней границе, и это полезное напоминание о том, что прирост сосредоточен в группе мелких деталей, а не распределён равномерно.

Если рассматривать их вместе, картина согласуется именно с этим методом, а не с общим скачком возможностей: наибольшие приросты приходятся на бенчмарки, которые вознаграждают нахождение мелкой детали в большом кадре, а наименьшие — на бенчмарки, которые вознаграждают широкие знания о мире и обычное визуальное рассуждение. Именно так и должен выглядеть целевой прогон RL на 9 000 вопросах по вырезанным фрагментам.

Что можно знать, что утверждается и что просто не подтверждено

Уже сегодня из репозитория можно узнать, не принимая ничьи слова на веру: архитектуру — поскольку конфигурация общедоступна и определяет текстовый ствол Qwen3.5-9B с 32 слоями, размером скрытого слоя 4 096, промежуточным размером 12 288 и максимальным числом позиций 262 144, обёрнутый в визуальную башню; данные обучения — поскольку Parquet на 9 000 записей и исходные изображения поставляются как набор данных; метод — поскольку промпты приведены в приложении к статье; и оценку — поскольку средство оценки, аннотации и изображения доступны для скачивания.

Заявлено, но не подтверждено: все приведённые выше оценки бенчмарков. В статье они приводятся на основе выпущенного испытательного стенда, что делает их более проверяемыми, чем большинство таблиц от производителей — их можно перезапустить, — но пока этого не сделал никто за пределами списка авторов, и ни одна независимая лаборатория не опубликовала результат ZoomGain-9B.

Совсем не подтверждено, и об этом стоит сказать прямо:

• Лицензия на чекпойнт. Код распространяется под Apache 2.0, и в карточке это указано. Далее карточка переадресует условия модели и датасета к «карточкам Hugging Face для условий каждого датасета и чекпойнта», а в метаданных Hub репозитория чекпойнта отсутствует тег лицензии. Это пробел, который нужно закрыть, прочитав файлы до релиза, а не обещание, на которое можно положиться.

• Длина контекста. В карточке она не указана. Максимальные 262 144 позиции из конфигурации унаследованы от основы Qwen3.5-9B, что не то же самое, что проверенное свойство дообученного чекпойнта, и каждая оценка в статье — это одно изображение с отключённым режимом рассуждения.

• Общее поведение ассистента. В релизных тестах нет ничего, что проверяло бы чат, вызов инструментов, длительную генерацию или многоходовое использование. Модель обучали отвечать на вопросы о фотографиях, и это единственная возможность, подкреплённая доказательствами.

• Любой хост. Сопоставление провайдеров для этого репозитория в Hub пусто. Ни API производителя, ни сторонней конечной точки не указано, поэтому «попробовать» сейчас означает «скачать 18.82 ГБ».

Запускаю это на этой неделе, если хочешь.

Путь GGUF — дешёвый вариант: сборка Q4_K_M на 5,63 ГБ плюс проектор mmproj на 0,52 ГБ, либо 9,53 ГБ в Q8_0, либо 17,92 ГБ в F16. Для ввода изображений нужны оба файла — без проектора не обойтись, а обязательное условие — сборка llama.cpp с поддержкой мультимодальности Qwen3.5. Референсный путь тяжелее, но лучше задокументирован: vLLM 0.19.1 с transformers 5.7.0 — ровно те версии, с которыми проводили оценку авторы, — на BF16-чекпойнте, для которого нужна видеокарта минимум на 24 ГБ и комфортный запас сверх этого.

Стоит заложить в бюджет не только веса, но и протокол оценки. Авторы запускают при temperature 0 с отключённым thinking и оценивают вопросы на атрибуты по точному совпадению с выбранным вариантом, задачи подсчёта — по точному совпадению с предсказанным целым числом, а OCR — по ANLS с нижним порогом 0,7. Если вы оцениваете с включённым thinking или с другим шаблоном промпта, вы измеряете то, о чём авторы не сообщали, и не должны ожидать, что их цифры перенесутся.

OrcaRouter не размещает у себя ZoomGain-9B, и этот материал не будет делать вид, что это не так. Что у нас есть — это один ключ для более чем 200 моделей по прейскурантной цене провайдера без наценки, что здесь важно по конкретной практической причине: самый быстрый способ выяснить, являются ли ошибки вашего пайплайна ошибками на уровне мелких деталей, — прогнать одни и те же изображения через размещённую vision-модель и сравнить случаи сбоев. Qwen3-VL-8B-Instruct в нашем каталоге стоит $0,18 за миллион входных токенов и $0,70 за миллион выходных при контексте 131K, принимает изображения и видео и не сравнится с моделью, обученной на вопросах, извлечённых из данных по сельхозкультурам, — но за полдня покажет вам, стоит ли покупать GPU.

Что изменило бы эту историю

Четыре вещи, в порядке возрастания их значимости. Анонс от inclusionAI, который превратил бы ознакомление с репозиторием в запуск и, вероятно, сопровождался бы уточнением лицензии. Лицензионный тег для чекпоинта, который решил бы единственный вопрос, сейчас блокирующий коммерческое внедрение. Хостируемая конечная точка, которая устранила бы барьер в 18,82 ГБ для всех, у кого нет собственного оборудования. И независимая оценка — именно она действительно изменила бы ситуацию: утверждение, что модель на 9B достигает 90,25 на HR-Bench 4K, — это тот тип цифр, которые либо выдерживают проверку второй лабораторией, либо тихо исчезают.

До тех пор честное резюме таково: ZoomGain-9B — это хорошо документированный исследовательский релиз с понятным методом, воспроизводимым стендом, необычно честным разделением на обучающую и отложенную выборки, и при этом за всем этим не стоит ни одна третья сторона. Это больше, чем предлагает большинство тихих релизов, и меньше, чем продукт.