ZwZ2-4B выпущена без официального запуска: что говорит карточка модели и о чём она умалчивает

Этот ZwZ2-4B репозиторий был создан 15 октября 2026 года в 06:11 UTC, и по состоянию на утро сегодняшнего дня у него ноль скачиваний и ноль лайков. Это неудивительно для чекпоинта, который никто не анонсировал. Необычно другое: он также содержит полную карточку модели — раздел с методом, описание обучающих данных, блок быстрого старта и заявленный в заголовке результат: 25 бенчмарков и улучшение на 5,38 пункта по сравнению с Qwen3.5-4B, моделью, от которой он был дообучен. inclusionAI опубликовала документацию, не опубликовав анонс. Карточка есть; пресс-релиза нет; и разница между этими двумя вещами — это вся история этого чекпоинта.

Этот материал намеренно узок в том, что он утверждает. Всё ниже, отмеченное как факт репозитория, было прочитано непосредственно из файлов — конфигурации, индекса весов, записи набора данных, самой карточки. Всё, отмеченное как заявление вендора, — это собственное число inclusionAI, воспроизведённое как заявление, а не как результат. Независимой оценки ZwZ2-4B не существует, и любой, кто говорит вам обратное, просто пересказывает вам карточку.

Что на самом деле вышло и в какие даты

Семейство ZwZ2 появилось в промежутке длительностью около двадцати трёх с половиной часов, в порядке возрастания размера. ZwZ2-4B появилась первой — 15 октября в 06:11 UTC. ZwZ2-9B последовала 16 октября в 03:42. ZwZ2-27B завершила набор в 05:42 тем же утром. Обучающий набор данных, inclusionAI/ZwZ2-RL-VQA, появился три дня спустя, 19 октября. Все три репозитория, а также набор данных и коллекция семейства содержат отметки времени от сегодняшнего дня, 27 октября, — самый недавний проход технического обслуживания по семейству, к которому до сих пор не привязано ни одного публичного объявления.

Что не произошло: ни записи в блоге inclusionAI, ни темы о релизе. Все три чекпоинта действительно входят в одну коллекцию, Zooming-without-Zooming-v2, в которой четыре элемента, но коллекция — это контейнер, а не анонс. Репозиторий GitHub, в котором размещён код первого поколения, вообще не обновлялся — в нём по-прежнему перечислены четыре модели: ZwZ-2B, ZwZ-4B, ZwZ-7B и ZwZ-8B, все на базе Qwen3-VL. Семейства v2 там нет. Если вы отправитесь искать код, из которого получилась ZwZ2-4B, вы найдёте код её предшественницы, и README там не будет упоминать модель, которую вы держите в руках.

Утверждение, сформулированное как утверждение

В карточке inclusionAI сообщается об общей точности 49,41 для базовой модели и 54,79 для ZwZ2-4B, измеренной на 25 бенчмарках, сгруппированных в шесть доменов. В карточке говорится, что модель улучшила результаты на каждом из этих бенчмарков, а при вычислении общих и доменных средних каждый бенчмарк имеет одинаковый вес. Шесть названных доменов — это мелкозернистое восприятие, пространственное рассуждение, понимание длинного контекста, мультимодальные агенты и общее визуальное рассуждение, а также мелкозернистая группа, на которую приходится заголовочный показатель.

Эти два числа составляют всю количественную аргументацию в пользу модели. Оценки по отдельным бенчмаркам присутствуют на странице в виде изображений — PNG и SVG, — а не текста, а значит, восемь репрезентативных результатов и полный набор из двадцати пяти видны, но не поддаются машинному чтению. Единственный набор бенчмарков, описанный в текстовом виде, — это MMLongBench*, чьё визуальное ядро указано как V-RAG, Image MM-NIAH и VH-Multi на 25 задачах, не относящихся к Counting. В карточке также отмечается, что разрешение изображений для «продвинутых моделей» ограничено платформой обслуживания, что является справедливой оговоркой и напоминанием о том, что оценка восприятия отчасти говорит о том, каким образом изображение попало в модель.

Среднее значение +5.38 по 25 бенчмаркам — это громкое заявление для модели класса 4B. Кроме того, это именно тот тип заявления, которое поставщик лучше всех способен сделать и хуже всех — проверить, потому что именно поставщик выбирал набор бенчмарков, веса и разрешение. Воспринимайте 54.79 как число, которое нужно воспроизвести, а не как число, на которое нужно ориентироваться при планировании.

Метод: один проход, без масштабирования, без SFT

Конвейер обучения называется EvidenceConnect, и это второе поколение идеи, которую лаборатория опубликовала ранее в этом году под названием «Zooming without Zooming». Основная предпосылка состоит в том, что мелкодетализированное визуальное восприятие обычно решается во время инференса — обрезать область, повторно задать вопрос, повторить — и что это дорого и ненадёжно. Вместо этого ZwZ2 учит модель обращать внимание на региональные свидетельства за один прямой проход.

Построение выполняется в четыре этапа, как описано в карточке. Связанные области группируются по три–семь на изображение и берутся из SA-1B. Вопросы генерируются на основе привилегированных увеличенных представлений этих областей, поэтому автор вопросов может видеть детали, которые модель политики никогда не увидит при инференсе. Затем эти вопросы проходят двухступенчатую фильтрацию — по согласованности между моделями и с помощью теста с исключением одной области, который проверяет, действительно ли удаление области меняет ответ. Проверенные вопросы становятся заданиями с выбором одного из четырёх вариантов, и модель обучается с помощью GRPO. Этапа дообучения с учителем нет вообще.

При инференсе политика видит полное изображение с нанесёнными цветными контурами областей. Привилегированные фрагменты существуют только на этапе построения данных. Каждый размер модели в семействе использовал примерно 20 000 обучающих примеров; карточка набора данных указывает точную цифру — 20 662 вопроса с множественным выбором, пять загрузок и дату создания 19 октября.

У этого дизайна есть одно заметное следствие, о котором стоит предупредить всех, кто планирует его оценивать. Модель, обученная только на вопросах с четырьмя вариантами ответа, оптимизируется под формат задачи, совершенно не похожий на открытое описание изображений или визуальные вопросы и ответы в свободной форме. Если ваш сценарий требует абзаца об изображении, эта контрольная точка на таком не обучалась, и раздел ограничений карточки модели прямо об этом говорит: галлюцинированные детали, неверно прочитанный текст, ошибки подсчёта, пространственные ошибки.

Что доказывает конфигурация, независимо от лаборатории

Есть категория фактов, которые не нужно принимать на веру, потому что это арифметика по опубликованным файлам. ZwZ2-4B весит 4 539 265 536 параметров в BF16 и хранится как один файл safetensors объёмом 9,08 ГБ. Страница Hugging Face округляет это до «5B», что щедро; в индексе указано 4,54B. Его база, Qwen3.5-4B, весит 4 659 865 088 — так что производная модель примерно на 120,6 млн параметров меньше чем модель, на которой он обучался.

Это различие имеет простое объяснение в конфигурации. Qwen3.5-4B объявляет один слой предсказания нескольких токенов; ZwZ2-4B объявляет ноль. Голова спекулятивного декодирования была удалена. Уберите MTP-голову из чекпоинта 4.6B — и вы почти точно попадёте в наблюдаемый разрыв. Это то же самое изменение, которое несёт 9B-собрат, и это самое сильное доступное свидетельство того, что перед нами производные после дообучения, а не свежеобученные модели.

Остальная часть стека не изменена относительно базовой:

• Глубина — 32 слоя как в ZwZ2-4B, так и в Qwen3.5-4B

• Ширина — размер скрытого слоя 2 560, промежуточный размер 9 216

• Внимание — 16 голов запросов против 4 голов KV, размерность головы 256, схема 3:1 линейных к полным (24 линейных слоя, 8 полных)

• Словарь — 248 320 токенов, связанные эмбеддинги

• Контекст — 262 144 позиции, M-RoPE в разбиении 11/11/10, коэффициент частичного вращения 0,25

• Башня зрения — 24 слоя при скрытой размерности 1 024, размер патча 16, пространственное объединение 2×2

• Среда выполнения — transformers 5.13.1, идентификатор архитектуры Qwen3_5ForConditionalGeneration

Шаблон чата заслуживает одной строки, потому что он меняет поведение модели «из коробки». Выпущенный шаблон работает в режиме без размышлений и инструктирует модель помещать окончательный ответ внутрь тегов <answer>. Если загрузить его с помощью универсальной обвязки VLM, которая ожидает свободный текст, вы получите теги в выводе и будете удивляться почему.

О чём карта умалчивает

Три пробела важнее всего, что написано на карточке.

Первый пункт — лицензия. В репозитории нет файла LICENSE и нет тега лицензии. Формулировка самой карточки отсылает к «лицензии, сопровождающей выпущенные веса, и применимой лицензии базовой модели», но сопровождающего файла лицензии, на который можно было бы сослаться, нет. Базовая модель Qwen3.5-4B распространяется под Apache-2.0, поэтому наиболее вероятное прочтение состоит в том, что производная модель наследует эту лицензию. «Вероятно» — не то же самое, что «заявлено», и юридическая проверка не примет фразу в карточке, указывающую на файл, которого не существует.

Второй — это статья. У метода v2 — EvidenceConnect, фильтра с исключением одного региона, обучения только с GRPO — нет публичного описания. Ссылка на статью в карточке по-прежнему представляет собой буквальный плейсхолдер PAPER_URL. Единственный идентификатор arXiv, привязанный к репозиторию, 2602.11858, относится к статье первого поколения, в которой описана дистилляция от региона к изображению на базовых моделях Qwen3-VL: другой метод, другое семейство базовых моделей и другой набор чисел. Карточка набора данных наследует тот же идентификатор, поэтому тег распространяет несоответствие.

Третье — отсутствие какого-либо независимого измерения. Ни одна таблица лидеров не оценивала ZwZ2-4B, независимых воспроизведений не существует, а счётчик скачиваний не сдвинулся с нуля. Модель может быть превосходной и одновременно оставаться неизмеренной; суть лишь в том, что ничто за пределами лаборатории пока не подтвердило 54,79.

Ловушка именования, в которую вы попадёте

Поищите эту модель, и первой вы найдёте другую. Первое поколение ZwZ-4B — это реальный, документально подтверждённый чекпойнт, построенный на Qwen3-VL-4B, и он публикует средний показатель 66,86 против 61,52 у своей базовой модели, а его оценка ZoomBench составляет 55,74. Эти цифры широко цитируются, и это не показатели ZwZ2-4B. Они принадлежат другой базовой модели, другому рецепту обучения и другому набору бенчмарков.

Эти два названия отличаются одним символом. Таблица сравнения, в которой они перепутаны, будет выглядеть внутренне согласованной, но окажется неверной. Если на странице поставщика или агрегатора указано ZwZ2-4B со значением 66.86, это и есть та ошибка, которую вы видите.

Если на этой неделе вам нужна небольшая модель компьютерного зрения

ZwZ2-4B отсутствует в каталоге OrcaRouter, и этот текст не собирается делать вид, что это не так. Это чекпоинт, который вы скачиваете и запускаете самостоятельно; нигде, где об этом упоминает страница Hugging Face, для него нет хостинговой конечной точки, и страница прямо сообщает, что ни один провайдер инференса его не обслуживает.

Что в каталоге действительно есть — так это практичная альтернатива для той же задачи: qwen/qwen3-vl-8b-instruct по $0,18 за миллион входных токенов и $0,70 за миллион выходных, с контекстом 131K, обслуживаемая через тот же OpenAI-совместимый эндпоинт, что и всё остальное. Если вы собирались оценить ZwZ2-4B на фоне облачного vision-бейзлайна, то это и есть бейзлайн, а запуск обоих с одного ключа означает одну клиентскую библиотеку и один счёт вместо двух интеграций. OrcaRouter маршрутизирует более 200 моделей с автоматическим переключением при сбоях, так что vision-путь, построенный на этом эндпоинте, не зависит от работоспособности одного-единственного апстрима.

Для модели с нулевыми загрузками и без файла лицензии это честная рекомендация: арендуйте сравнение, владейте экспериментом.

Что изменило бы эту оценку?

Три события в порядке убывания важности. Файл лицензии, который превратил бы юридическую неизвестность в юридический ответ. Публичная статья о v2, которая позволила бы кому-то проверить фильтрацию EvidenceConnect на утечку данных — тест с исключением одного региона по очереди — хорошая идея, а хорошие идеи как раз и нуждаются в аудите. И хоть какая-нибудь сторонняя оценка, потому что один воспроизводимый бенчмарк на нейтральном стенде сделал бы для этой контрольной точки больше, чем ещё тысяча слов в карточке.

Пока что-либо из этого не появится, ZwZ2-4B остаётся хорошо задокументированным, неанонсированным и неизмеренным специалистом по восприятию с 4,54 млрд параметров, в собственной карточке которого сказано, что он превосходит свою базовую модель на 5,38 пункта. Это подлинное и конкретное заявление. Это пока не результат, и это различие — единственное, что стоит вынести из этого репозитория.