
ZoomGain-4B släpptes den 11 november utan något tillkännagivande.
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 90 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 133 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1M tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1M tokens · 185 tok/s
Den första committen i inclusionAI/ZoomGain är tidsstämplad 2026-11-09 kl. 02:13 UTC och dess meddelande är "Publicera ZoomGain init." Vikterna för ZoomGain-4B dök upp på Hugging Face den 2026-11-10 kl. 11:38 UTC. arXiv-listningen, utvärderingsuppsättningen och förstärkningsinlärningskorpusen som producerade den är alla daterade 2026-11-11, samma dag som modellkortet senast ändrades. Det som inte har dykt upp, någonstans där jag kunde hitta det, är ett lanseringsinlägg. Det finns inget nyhetsinlägg på inclusionAI:s webbplats, inget tillkännagivande på organisationens Hugging Face-profil utöver själva repot, ingen värdbaserad slutpunkt och ingen mediebevakning från någon. ZoomGain-4B är en visionspråkmodell byggd med förstärkningsinlärning ovanpå Qwen3.5-4B, och sedan i morse är det bara de som råkade titta på en repository-listning som vet att den finns. Det här är en artikel av typen "vad repot säger": varje uppgift nedan är antingen en tidsstämpel som du själv kan verifiera eller ett nummer som författarna har skrivit på sitt eget modellkort, och de ställen där det inte räcker är markerade som sådana.
För en läsare som vill ha helhetsbilden innan detaljerna: modellen är en multimodal checkpoint med 4,54 miljarder parametrar som besvarar flervalsfrågor om fin visuell detalj – liten text i ett fotografi, ett antal objekt i en rörig scen, ett attribut som bara går att läsa när man zoomar in. Författarnas påstående är att en bildmodell som tittar på en hel bild missar detaljer som den kan läsa utan problem när samma område zoomas in, och att denna lucka kan omvandlas till träningssignal. De byggde sedan ett benchmark med 1 000 frågor utifrån samma maskineri, och på det benchmarket får den tränade 4B-modellen 55,81 mot 30,03 för modellen den tränades från. De två siffrorna utgör hela argumentet, och de kommer med en varning som artikeln själv anger: benchmarket är byggt med samma pipeline som träningsdatan, vilket artikeln kallar "held-in".
Vad som landade, och vad tidsstämplarna säger
Släppet är ovanligt komplett för något som ingen annonserade. Sex artefakter, alla inom ett 48-timmarsfönster:
• Artikeln. "ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision," arXiv 2611.14076, inskickad 10 november 2026, av Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao och Jianwei Yin. Sju författare, cs.CV och cs.AI.
• 4B-checkpointen. inclusionAI/ZoomGain-4B, safetensors i BF16. Filens metadata anger 4,539,265,536 parametrar. Apache 2.0 för koden; modellkortet hänvisar villkoren för checkpoint och dataset till sina respektive repositorier.
• 9B-checkpointen. inclusionAI/ZoomGain-9B, 9,409,813,744 parametrar, skapad fyra minuter efter sitt mindre syskon.
• Kvantiserade byggen. ZoomGain-4B-GGUF släpptes den 11 november 2026 kl. 03:09 UTC med tre precisionsnivåer samt matchande visionsprojektorer: Q4_K_M på 2,71 GB, Q8_0 på 4,48 GB, F16 på 8,42 GB, var och en med en mmproj-fil för bildkodaren. Därefter följde 9B GGUF.
• Benchmarken. inclusionAI/ZoomGainBench, 1 000 frågor över 941 bilder, engelsk och kinesisk text för varje objekt, plus ett referenssvar, en poängsättningsregel och en avgränsningsruta för bevis i pixelkoordinater.
• Träningsdatan. inclusionAI/ZoomGain-RL-Data, 9 000 poster och 7 713 källbilder i Parquet, med den belöningsmetadata som träningsskriptet förväntar sig.
Tystnaden är inte en gåta och den är inte olycksbådande. Det är så en forskargrupps interna release ser ut när artikeln går igenom arXiv innan någon hinner skriva blogginlägget. Alla tecken finns där: tre commits på morgonen den 11 november har alla titeln "update readme" med fjorton minuters mellanrum, GitHub-repot har tre stjärnor och inget ifyllt beskrivningsfält, båda checkpoint-repositorierna visar noll nedladdningar och noll gillningar, och 4B-modellens sida har en varning om tom eller saknad YAML-metadata. Inget av det är bevis om modellen. Det är bevis om utrullningen.

Metoden, i tre drag
Det intressanta med ZoomGain är inte modellen, utan hur frågorna skapades. Processen körs i tre steg och endast det första är konventionellt.
• Lokalisera målet. Flera modeller lokaliserar oberoende av varandra ett område som beskrivs i den fullständiga scenen. När de stämmer överens betraktas den överensstämmelsen som det utsnitt som är värt att behålla. Att använda oenighet som ett filter innebär att ingen enskild modells blindfläck definierar måluppsättningen.
• Utvinna bevis. Bildtexter för samma region jämförs på två zoomnivåer. Det som beskärningen avslöjar men som helbilden inte gör omvandlas till en fråga om helbilden. Detta är mekanismen som skapar det "global-to-zoom"-gap som titeln syftar på: frågan går att besvara, men bara om modellen lyckas urskilja något vid gränsen för sin perception.
• Verifiera och distrahera.Svar korskontrolleras mot den beskurna bilden, tvetydiga frågor tas bort, frågor som kan besvaras helt utan bilden tas bort, och distraktorer för flervalsfrågor genereras. Ablationen visar att detta sista steg gör verklig nytta – att ta bort dedikerade distraktorer kostar 8,96 poäng på held-in-benchmarken, det största enskilda tappet som artikeln rapporterar.
Träningen i sig är inte exotisk. GRPO via det medföljande EasyR1-ramverket, en epok, batchstorlek 64, åtta rollouts per fråga, vilket blir 140 steg på 9 000 poster. Repositoriet levereras med ett smoke-test som kör ett enda steg inklusive rollout, belöning och checkpoint-sparning, samt fullständiga startskript för båda storlekarna. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 och transformers 5.7.0 – alla med låsta versioner, vilket är skillnaden mellan ett repositorium som reproducerar och ett som bara beskriver.
Siffran som spelar roll, och förbehållet som krymper den
ZoomGainBench är avsiktligt svårt. Den starkaste modellen på det är GPT-5.6-Sol med 61,08 totalt, och det är 61,08 av 100 på flervalsfrågor om fotografier. Claude-Opus-5 ligger på 59,86, Gemini-3.6-Flash på 59,41. Den bästa öppna allmänna visionsmodellen i tabellen, Qwen3.8-Flash-Next med 125 miljarder parametrar, når 55,05. En modell med 4 miljarder parametrar tränad på 9 000 prover landar på 55,81 – över 125B-generalisten, över Kimi-K3 med 2,8 biljoner parametrar, över GLM-5.3-Flash med 320 miljarder.
Om den siffran hade stått sig mot ett oberoende testramverk skulle den vara månadens stora nyhet. Det gör den ännu inte, av ett skäl som artikeln öppet redovisar. ZoomGainBench konstrueras av samma pipeline som producerade träningsdatan, och artikelns egen ablationstabell listar den under en kolumn med rubriken "Held-in." Frågorna är inte träningsfrågorna, men de hämtas från samma fördelning av samma maskineri. En modell som finjusterats på den fördelningen har en fördel som en modell som utvärderats zero-shot inte har, och storleken på den fördelen är just det som ingen utanför inclusionAI kan mäta i dag.
Bevisen från de undanhållna utvärderingsdata är mindre spektakulära och mer övertygande. Artikeln rapporterar ett genomsnitt över tio undanhållna benchmarkar: 54,20 för den otränade Qwen3.5-4B, 60,96 för den ZoomGain-tränade 4B. En genomsnittlig förbättring på 6,76 punkter på benchmarkar som träningen aldrig såg är ett verkligt resultat. Det är bara inte samma påstående som att slå en modell med 2,8 biljoner parametrar.
Värt att också notera att vinsten inte är enhetlig. Om man jämför 4B mot dess egen bas i artikelns huvudtabell:
• Stora förbättringar. Visual Probe 43,30 till 57,28. O3-Bench 54,20 till 63,19. Zoom Bench 48,88 till 59,88. HR-Bench 4K 81,25 till 87,25. BabyVision 14,69 till 21,13.
• Måttliga förbättringar. MME-RealWorld-Lite 57,89 till 61,59. MMStar 66,80 till 72,53. HR-Bench 8K 77,63 till 83,88. MMVP 57,33 till 61,33.
• En regression. TreeBench-liknande "Tree" visar 49,38 före träning och 49,14 efter. En nedgång på 0,24 punkter, väl inom brusnivån, men den finns med i tabellen snarare än utanför den, vilket är ett gott tecken för tabellen.

Vad är verkligen inte bekräftat
Fyra saker, och de är viktigare än den vanliga ansvarsfriskrivningen.
Det finns ingen oberoende utvärdering. Inte en enda tredjepartssiffra. 55,81, medelvärdet 60,96, 90,25 som 9B når på HR-Bench 4K – allt är författarna som mäter sin egen modell i sin egen testrigg. Det är normalt för en artikel och det är inte bevis för att något är fel. Det innebär att siffrorna bör läsas som påståenden.
Ingen hostad endpoint. Ingen av checkpoints-listorna anger någon inferensleverantör. Det finns inget API, ingen testmiljö och ingen prislista. Om du vill använda den här modellen inom den närmaste månaden får du ladda ner 8,42 GB och köra den själv.
Namnet stämmer inte med parameterantalet på tre ställen. Modellen heter 4B, GGUF-kortet säger 4B, repots badge säger 5B, och den faktiska safetensors-totalen är 4,54B. Den extra halvmiljarden är visionskodaren och projektorn, vilket är den vanliga förklaringen – men ett kort som inte kan hålla ett enda nummer konsekvent från dag ett har inte korrekturlästs, och det är rimligt att väga in när du avgör hur mycket av resten du ska lita på.
Ingen avsiktsförklaring. Kommer det att finnas en 30B? En hostad version? En v2 med ett undanhållet benchmark? Inget i repositoryt säger något. README-filens uppdateringslogg listar tre rader, alla daterade 2026.11.11, och alla beskriver vad som släppts snarare än vad som kommer härnäst.

Kör det i dag, utan en leverantör
GGUF-vägen är den praktiska och den har en absolut förutsättning: du behöver en llama.cpp-build med stöd för Qwen3.5 multimodal. Modellkortet anger uttryckligen att språkmodellen och mmproj-projektorn är separata filer och att bildinmatning kräver båda. CLI-exemplet skickar -m för modellen, --mmproj för projektorn, --image för bilden och kör vid temperatur 0 med tänkande inaktiverat, vilket också är vad utvärderingsramverket använder som standard. llama-server fungerar på samma sätt på port 8080. Med Q4_K_M har du 2,71 GB språkmodell plus en projektor, vilket ryms bekvämt på en bärbar dator; vid F16 är du på 8,42 GB plus projektor, vilket är en arbetsstation eller ett enda grafikkort i mellanklass.
För allt som körs i volym är vLLM 0.19.1 med transformers 5.7.0 den stack som stöds, och repots eget utvärderingsskript tar en MODEL_PATH, en GPUS-lista och en LANGUAGE-växel som kör endast engelska, endast kinesiska eller båda för 2 000 uppgifter. Det är tillräckligt med stödstruktur för att reproducera de rapporterade siffrorna på din egen hårdvara, vilket är mer än vad de flesta tysta utgåvor erbjuder.
Om du helst inte vill sätta upp en GPU för att ta reda på om angreppssättet är värt något, är det ärliga mellansteget att prototypa crop-and-ask-loopen mot en hostad visionsmodell som du kan anropa redan idag. Vår katalog har Qwen3-VL-8B till $0,18 in och $0,70 ut per miljon tokens, och Qwen3.5-linjen från qwen3.5-35b-a3b från $0,057 och $0,459 och uppåt — en nyckel, inget avtal per leverantör, och en routingregel som växlar över till en andra modell om den första stannar av. ZoomGain-4B finns inte i vår katalog och jag tänker inte låtsas något annat; poängen med den hostade omvägen är att fastställa om finkorniga detaljfrågor är det din produkt faktiskt gör fel på, innan du lägger en vecka på en självhostad 4B som bara svarar bättre på dem än sin egen förälder.
Vad skulle få detta att gå från en kuriositet till ett beslut?
Tre signaler, ordnade efter hur mycket de skulle berätta. För det första en oberoende körning av ZoomGainBench av någon som inte har något eget intresse i pipeline – benchmarken är offentlig, testramverket finns i repot och tröskeln för att komma igång är en GPU och en eftermiddag, så detta inträffar sannolikt före någon av de andra. För det andra en utvidgning med undanhållen testdata: om författarna besvarar den uppenbara invändningen genom att utvärdera på en benchmark som de inte var med och byggde, upphör 55,81 att vara en siffra om deras egen testmängd. För det tredje en hostad driftsättning, som skulle visa att vikterna faktiskt kan serveras med acceptabel latens och inte bara laddas ned.
Tills en av dem landar är den korrekta beskrivningen av ZoomGain-4B inte ”liten bildmodell slår frontier”. Den är: en forskargrupp publicerade ett träningsrecept som lyfter en 4B-bildmodell med 6,76 poäng i genomsnitt över tio benchmarks som den inte tränats på, och publicerade samtidigt ett benchmark som visar samma knep ge ett mycket större tal på frågor som konstruerats på samma sätt. Den första halvan är fyndet. Den andra halvan är marknadsföringen, och den kom utan ett pressmeddelande, vilket åtminstone är en uppfriskande ordning för de två sakerna att komma i.
