ZoomGain-9B släpptes utan tillkännagivande: vad kodförrådet faktiskt säger

Artikeln publicerades på arXiv den 10 november 2026. GitHub-repositoriet skapades en dag tidigare, den 9 november, och dess första commit har titeln "Release ZoomGain init". Vikterna dök upp på Hugging Face den 10 november kl. 11:42 UTC, följt av ett GGUF-repositorium den 11 november kl. 03:16. Det finns inget blogginlägg om lansering, inget leverantörsbesked, ingen hostad slutpunkt och ingen licenstagg på själva checkpoint-repositoriet. Det är hela det offentliga underlaget för ZoomGain-9B, en bild- och språkmodell med 9,4 miljarder parametrar från inclusionAI, Ant Groups gren för öppna modeller, och anledningen till att den här texten är skriven som en repo-genomgång snarare än en lanseringsartikel.

Det som gör det värt uppmärksamheten är inte hemlighetsmakeriet. Det är att repositoryt är ovanligt komplett för något som ingen har annonserat: artikeln, benchmarken med 1 000 frågor, datasetet för förstärkningsinlärning med 9 000 poster, utvärderaren, träningslanseraren, två checkpoints på 4B och 9B samt tre GGUF-kvantiseringar fanns alla på plats inom ungefär två dagar. Du kan läsa metoden, köra om utvärderingen och reproducera träningen redan i dag. Det enda som saknas är att någon från företaget säger att det existerar.

Vad som faktiskt landade, i ordningsföljd

• 9 november 2026 — inclusionAI GitHub-repositoryt skapas. Det innehåller Apache 2.0-licensen och koden för datakonstruktion och träning, inte vikterna.

• 10 november 2026 — arXiv:2611.14076v1, "ZoomGain: Att utvinna perceptionsgap mellan global och zoom för finkornig visuell övervakning", av Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao och Jianwei Yin, med anknytningar till Ant Group, Zhejiang University, Om AI Research och Binjiang Institute.

• 10 november 2026, 11:42 UTC — inclusionAI/ZoomGain-9B och inclusionAI/ZoomGain-4B skapas på Hub, var och en med en enda BF16-safetensors-fil på 18,82 GB respektive 9,08 GB.

• 11 november 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF dyker upp med Q4_K_M-, Q8_0- och F16-byggen samt matchande mmproj-projektorfiler, vilket är steget som förvandlar en forskningscheckpoint till något som en bärbar dator kan försöka sig på.

En liten detalj som är värd att notera, eftersom det är precis den typ av sak som en samordnad lansering inte frambringar: modellkortets egen avdelning "Updates" daterar artikeln, benchmarken, datamängden och checkpointarna alla till 2026.11.11, medan repots skapelsetidsstämpel och arXiv-insändningsdatumet båda anger 10 november. Kortet skrevs i efterhand, i ett svep, av någon som städade upp.

Idén, i ett stycke, eftersom det verkligen är en enda idé

En bildmodell kan ofta svara på en fråga om ett område i en bild som den misslyckas med när samma område förekommer inom hela ramen. Författarna kallar detta för perceptionsgapet från global till zoom och omvandlar det till övervakning. Steg ett: flera modeller lokaliserar oberoende ett mål som beskrivs i hela scenen, och deras samstämmighet identifierar ett område att beskära. Steg två: bildtexter för beskärningen och bildtexter för hela scenen jämförs, och varje detalj som beskärningen avslöjar men helhetsvyn inte gör blir en fråga som ställs om originalbilden. Steg tre: svar kontrolleras igen på beskärningen, tvetydiga frågor och frågor som kan besvaras utifrån språkliga priorer filtreras bort, och rimliga distraktorer genereras för flervalsformatet.

Träning är GRPO på 9 000 poster byggda över 7 713 källbilder — en epoch, batchstorlek 64, åtta rollouts per fråga — med den medföljande EasyR1-koden. Utvärdering använder som standard temperatur 0 med Qwen3.5-tänkande inaktiverat, och OCR- och räknefrågor förblir öppna medan attributfrågor blir flerval. Inget av detta är i sig ovanligt; det ovanliga är att pipelinen som genererade träningsdatan också genererade benchmarken, och artikeln är tydlig med det.

Två tal som inte är samma tal

På ZoomGainBench – det 1 000-frågors, 941-bilders engelsk-kinesiska benchmark som byggdes av samma pipeline – får ZoomGain-9B 55,48. Dess basmodell, Qwen3.5-9B, får 32,13. Det är ett hopp på 23,35 poäng på ett benchmark som modellens egen träningsdata har utvunnits från, och artikeln märker kolumnen "Held-in" just av den anledningen.

Siffran att ta med sig in i ett beslut är genomsnittet över tretton benchmarkar som träningen aldrig rört, vilket utesluter ZoomGainBench: 66,10 för ZoomGain-9B mot 59,75 för Qwen3.5-9B. En genomsnittlig förbättring på 6,35 punkter från 9 000 prover är ett stabilt, trovärdigt resultat. Båda siffrorna är verkliga. De svarar på olika frågor, och varje sida som citerar 55,48 utan att säga "held-in" berättar bara halva historien.

Det finns en andra märklighet i samma tabell som ingen verkar ha lagt märke till ännu: det mindre syskonet slår 9B på held-in-benchmarken. ZoomGain-4B får 55,81 på ZoomGainBench mot 9B:s 55,48, samtidigt som det ligger under på held-out-genomsnittet, 63,96 mot 66,10. På benchmarken som byggts från träningsfördelningen är de två jämnstarka inom brusmarginalen; när man lämnar den fördelningen gör storleken sig påmind igen. Om du valde mellan dem utifrån en enda framträdande siffra skulle du välja fel.

Vad 9 000 prover köpte, benchmark för benchmark

Alla följande är författarrapporterade siffror från tabell 3 i artikeln, körda av författarnas eget ramverk på den publicerade utvärderaren, och inte oberoende reproducerade av någon:

• HR-Bench 4K — 90,25, upp från 82,13. Det är siffran som sammanfattningen inleder med, och det är det starkaste påståendet i releasen.

• V*Bench — 93,19, upp från 86,91. Detektering av små objekt vid hög upplösning.

• VisualProbe – 56,31, upp från 44,66. Den största relativa ökningen utanför det medföljande benchmarket.

• O3-Bench — 68,12, upp från 56,52. Perception och resonemang i flera steg.

• MMVP — 70,00, upp från 60,00. Det klassiska testet med parade bilder som skiljer sig i en detalj.

• MMStar — 73,87, upp från 71,73. Allmän multimodal kompetens, och den minsta ökningen i uppsättningen.

• BabyVision – 17,53, upp från 15,98. Fortfarande nära botten, och en användbar påminnelse om att ökningarna är koncentrerade till findetaljfamiljen i stället för jämnt fördelade.

Sammantaget stämmer mönstret överens med metoden snarare än med en allmän kapacitetshöjning: de största skillnaderna återfinns på benchmarks som belönar att hitta en liten sak i en stor bild, och de minsta återfinns på benchmarks som belönar bred världskunskap och vanligt visuellt resonemang. Det är så en riktad RL-körning på 9 000 frågor om beskurna detaljer bör se ut.

Vad som är vetbart, vad som påstås och vad som helt enkelt inte är bekräftat

Möjligt att veta från repositoryt, redan idag, utan att behöva ta någons ord för det: arkitekturen, eftersom konfigurationen är offentlig och identifierar en Qwen3.5-9B-textstomme med 32 lager, dold storlek 4 096, mellanliggande 12 288 och 262 144 maximala positioner, inbäddad i ett visionstorn; träningsdatan, eftersom Parquet-filen med 9 000 poster och källbilderna levereras som ett dataset; metoden, eftersom promptarna finns i artikelns appendix; och utvärderingen, eftersom utvärderaren, annoteringarna och bilderna går att ladda ner.

Påstått men inte bekräftat: varje benchmarkpoäng ovan. Artikeln rapporterar dem på den släppta harnessen, vilket gör dem mer kontrollerbara än de flesta leverantörstabeller – du kan köra om dem – men ingen utanför författarlistan har gjort det ännu, och inget oberoende labb har publicerat ett ZoomGain-9B-resultat.

Inte alls bekräftat, och värt att vara rak på sak:

• Checkpoint-licensen. Koden är Apache 2.0 och kortet säger det. Kortet hänvisar sedan villkoren för modellen och datasetet till "Hugging Face-korten för villkoren för varje dataset och checkpoint", och checkpoint-repositoriet har ingen licenstagg i sin Hub-metadata. Det är en lucka som måste täppas till genom att läsa filerna innan du levererar, inte ett löfte du kan lita på.

• Kontextlängden. Modellkortet anger ingen. Konfigurationens 262 144 maximala positioner ärvs från Qwen3.5-9B-stommen, vilket inte är samma sak som en testad egenskap hos den eftertränade checkpointen, och varje utvärdering i artikeln är en enskild bild med tänkande inaktiverat.

• Allmänt assistentbeteende. Ingenting i releasetesterna testar chatt, verktygsanrop, långformsgenerering eller användning över flera turer. Modellen tränades för att svara på frågor om fotografier, och det är den enda förmågan som det finns belägg för.

Vilken värd som helst. Hubs leverantörsmappning för förvaret är tom. Det finns inget leverantörs-API och ingen tredjepartsändpunkt listad, så "prova det" betyder för närvarande "ladda ner 18,82 GB".

Jag kör det här veckan, om du vill.

GGUF-vägen är den billiga: ett Q4_K_M-bygge på 5,63 GB plus en mmproj-projektor på 0,52 GB, eller 9,53 GB vid Q8_0, eller 17,92 GB vid F16. Bildindata kräver båda filerna – projektorn är inte valfri, och ett llama.cpp-bygge med multimodalt stöd för Qwen3.5 är förutsättningen. Referensvägen är tyngre men bättre dokumenterad: vLLM 0.19.1 med transformers 5.7.0, exakt de versioner som författarna utvärderade med, på en BF16-checkpoint som kräver ett 24 GB-kort som minimum och bekväm marginal därutöver.

Det är värt att budgetera för utvärderingsprotokollet liksom för vikterna. Författarna kör vid temperatur 0 med tänkande deaktiverat och poängsätter attributfrågor genom exakt matchning på det valda alternativet, räknefrågor genom exakt matchning på det förutsagda heltalet och OCR genom ANLS med en nedre gräns på 0,7. Om du utvärderar med tänkande aktiverat, eller med en annan promptmall, mäter du något som författarna inte rapporterade och bör inte förvänta dig att deras siffror ska överföras.

OrcaRouter har inte ZoomGain-9B, och den här artikeln tänker inte låtsas något annat. Det vi däremot har är en enda nyckel för över 200 modeller till leverantörens listpris utan något påslag, vilket spelar roll här av en specifik och praktisk anledning: det snabbaste sättet att ta reda på om din pipelines fel är findetaljfel är att köra samma bilder genom en hostad visionsmodell och jämföra misslyckandefall. Qwen3-VL-8B-Instruct i vår katalog kostar 0,18 USD per miljon indatatokens och 0,70 USD per miljon utdatatokens vid en kontext på 131K, tar emot bilder och video och kommer inte att matcha en modell tränad på frågor som tagits fram från beskurna bilder – men den kommer att berätta för dig inom en eftermiddag om GPU:n är värd att köpa.

Vad skulle förändra den här historien?

Fyra saker, i stigande ordning efter hur mycket de skulle spela roll. Ett meddelande från inclusionAI, som skulle förvandla en genomgång av ett repo till en lansering och troligen komma med ett licensförtydligande. En licenstagga för en checkpoint, som skulle avgöra den enda fråga som för närvarande blockerar kommersiell användning. En hostad endpoint, som skulle ta bort 18.82 GB-barriären för alla som inte äger hårdvaran. Och en oberoende utvärdering, som är den som verkligen skulle göra skillnad: påståendet att en 9B-modell når 90.25 på HR-Bench 4K är den typ av siffra som antingen överlever ett andra labb eller tyst försvinner.

Fram till dess är den ärliga sammanfattningen att ZoomGain-9B är ett väl dokumenterat forskningssläpp med en begriplig metod, ett reproducerbart utvärderingsramverk, en ovanligt ärlig uppdelning mellan data som ingår och data som hålls undan, och ingen tredje part som står bakom något av det. Det är mer än vad de flesta tysta släpp erbjuder, och mindre än en produkt.