ZwZ2-4B släpptes utan lansering: vad modellkortet säger och vad det inte säger

Det ZwZ2-4B-repositoryt skapades den 15 oktober 2026 kl. 06:11 UTC och hade i morse noll nedladdningar och noll gillamarkeringar. Det är inte ovanligt för en checkpoint som ingen har annonserat. Det ovanliga är att den också har ett komplett modellkort: ett metodavsnitt, en beskrivning av träningsdata, ett quickstart-block och ett huvudresultat som hävdar 25 benchmarks och en förbättring på 5,38 punkter jämfört med Qwen3.5-4B, modellen som den finjusterades utifrån. inclusionAI har publicerat dokumentationen utan att publicera tillkännagivandet. Kortet finns där; pressmeddelandet gör det inte; och skillnaden mellan dessa två saker är hela historien om denna checkpoint.

Det här stycket är medvetet snävt när det gäller vad det kommer att hävda. Allt nedan som markerats som ett faktum från kodförrådet lästes direkt från filerna – konfigurationen, viktindexet, datamängdsposten, själva kortet. Allt som markerats som ett leverantörspåstående är inclusionAIs eget nummer, återgivet som ett påstående och inte som ett resultat. Det finns ingen oberoende utvärdering av ZwZ2-4B, och den som säger något annat läser bara kortet tillbaka till dig.

Vad landade faktiskt, och på vilka datum?

ZwZ2-familjen anlände inom ett fönster på ungefär tjugotre och en halv timme, i omvänd storleksordning. ZwZ2-4B kom först, den 15 oktober kl. 06:11 UTC. ZwZ2-9B följde den 16 oktober kl. 03:42. ZwZ2-27B avslutade uppsättningen kl. 05:42 samma morgon. Träningsdatasetet, inclusionAI/ZwZ2-RL-VQA, dök upp tre dagar senare den 19 oktober. Alla tre repositorier, datasetet och familjesamlingen har tidsstämplar från i dag, 27 oktober – den senaste underhållsgenomgången för en familj som fortfarande inte har något offentligt tillkännagivande kopplat till sig.

Vad som inte hände: inget inlägg på inclusionAI:s blogg och ingen utgivningstråd. De tre kontrollpunkterna delar visserligen en samling, Zooming-without-Zooming-v2, med fyra objekt, men en samling är en behållare snarare än ett tillkännagivande. GitHub-förrådet som hyser förstagenerationskoden har inte uppdaterats alls – det listar fortfarande fyra modeller, ZwZ-2B, ZwZ-4B, ZwZ-7B och ZwZ-8B, alla byggda på Qwen3-VL-stommar. v2-familjen finns inte med där. Om du letar efter koden som producerade ZwZ2-4B hittar du koden för dess föregångare, och README-filen där kommer inte att nämna modellen du håller i.

Påståendet, uttryckt som ett påstående

inclusionAI:s modellkort rapporterar en total noggrannhet på 49,41 för basmodellen och 54,79 för ZwZ2-4B, mätt över 25 benchmarks grupperade i sex domäner. Kortet anger att modellen förbättrades på vart och ett av dessa benchmarks, och att total- och domänmedelvärdena viktar varje benchmark lika. De sex domäner som nämns är finmaskig perception, spatialt resonemang, långkontextförståelse, multimodala agenter och allmänt visuellt resonemang, plus den finmaskiga gruppen som bär huvudrubriken.

De två siffrorna utgör hela det kvantitativa underlaget för modellen. Poängen per benchmark finns på sidan som figurer – en PNG och en SVG – i stället för som text, vilket innebär att de åtta representativa resultaten och alla tjugofem är synliga men inte maskinläsbara. Den enda benchmarkuppsättning som beskrivs i löptext är MMLongBench*, vars visuella kärna anges som V-RAG, Image MM-NIAH och VH-Multi, över 25 icke-Counting-uppgifter. Kortet noterar också att bildupplösningen för "avancerade modeller" begränsas av serveringsplattformen, vilket är ett rimligt förbehåll och också en påminnelse om att en perceptionspoäng delvis är ett påstående om hur bilden nådde modellen.

Ett genomsnitt på +5,38 över 25 benchmarks är ett stort påstående för en modell i 4B-klassen. Det är också precis den typ av påstående som en leverantör är bäst lämpad att göra och sämst lämpad att verifiera, eftersom leverantören valde benchmarkuppsättningen, viktningen och upplösningen. Behandla 54,79 som talet att reproducera, inte talet att planera utifrån.

Metoden: ett pass, ingen zoomning, ingen SFT

Träningspipelinen heter EvidenceConnect och är den andra generationen av en idé som labbet publicerade tidigare i år under namnet "Zooming without Zooming". Premissen är att finkornig visuell perception vanligtvis löses vid inferenstid — beskär regionen, ställ frågan igen, upprepa — och att detta är dyrt och bräckligt. ZwZ2 lär istället modellen att uppmärksamma regionala bevis inom en enda framåtpassning.

Konstruktionen sker i fyra steg, så som kortet beskriver den. Relaterade regioner grupperas, tre till sju per bild, hämtade från SA-1B. Frågor genereras mot privilegierade inzoomade vyer av dessa regioner, så att frågeskrivaren kan se detaljer som policy-modellen aldrig kommer att se vid inferens. Dessa frågor filtreras sedan två gånger – genom överensstämmelse mellan modeller och genom ett test där en region tas bort, som kontrollerar om borttagandet av en region faktiskt ändrar svaret. Verifierade frågor blir flervalsuppgifter med fyra alternativ, och modellen tränas med GRPO. Det finns inget övervakat finjusteringssteg alls.

Vid inferens ser policyn hela bilden med färgade regionkonturer ritade på den. De privilegierade utsnitten existerar endast under datakonstruktionen. Varje modellstorlek i familjen använde ungefär 20 000 träningsexempel; datasetkortet anger den exakta siffran som 20 662 flervalsfrågor, fem nedladdningar och ett skapandedatum den 19 oktober.

Designen har en synlig konsekvens som är värd att påpeka för alla som planerar att utvärdera den. En modell som endast tränats på flervalsfrågor med fyra alternativ optimeras för en uppgiftsform som inte alls liknar öppen bildtextning eller visuell fråga-svar i fritt format. Om din arbetsbelastning efterfrågar ett stycke om en bild har denna checkpoint inte tränats på det, och modellkortets avsnitt om begränsningar säger just det: hallucinerade detaljer, felaktigt läst text, räknefel, spatiala fel.

Vad konfigurationen bevisar, oberoende av laboratoriet

Det finns en sorts fakta som du inte behöver ta på förtroende, eftersom det är aritmetik på publicerade filer. ZwZ2-4B väger 4 539 265 536 parametrar i BF16, lagrade som en enda safetensors-fil på 9,08 GB. Hugging Face-sidan avrundar detta till "5B", vilket är generöst; indexet säger 4,54B. Dess bas, Qwen3.5-4B, väger 4 659 865 088 – så den härledda modellen är cirka 120,6 miljoner parametrar mindre än modellen den tränades från.

Den skillnaden har en tydlig förklaring i konfigurationen. Qwen3.5-4B deklarerar ett multi-token-prediction-lager; ZwZ2-4B deklarerar noll. Det spekulativa avkodningshuvudet har tagits bort. Tar man bort ett MTP-huvud från en 4.6B-checkpoint hamnar man nästan exakt på den observerade skillnaden. Detta är samma ändring som 9B-syskonmodellen har, och det är det starkaste tillgängliga beviset för att dessa är eftertränade derivat snarare än nytränade modeller.

Resten av stacken är oförändrad från basen:

• Djup — 32 lager i både ZwZ2-4B och Qwen3.5-4B

• Bredd — dold storlek 2,560, mellanliggande 9,216

• Attention – 16 query-huvuden mot 4 KV-huvuden, huvuddimension 256, ett 3:1-schema mellan linjära och fullständiga lager (24 linjära lager, 8 fullständiga)

• Vokabulär — 248 320 token, delade inbäddningar

• Kontext — 262 144 positioner, M-RoPE i en 11/11/10-uppdelning, partiell rotationsfaktor 0,25

• Visionstorn — 24 lager med dold dimension på 1 024, patchstorlek 16, 2×2-rumslig sammanslagning

• Körtid — transformers 5.13.1, arkitekturidentifierare Qwen3_5ForConditionalGeneration

Chattmallen är värd en rad eftersom den ändrar hur modellen beter sig direkt. Den släppta mallen körs i icke-tänkande läge och instruerar modellen att placera sitt slutliga svar inom <answer>-taggar. Om du laddar den med ett allmänt VLM-ramverk som förväntar sig fri text kommer du att få taggar i utdata och undra varför.

Vad kortet inte berättar för dig

Tre luckor spelar större roll än allt kortet säger.

Det första är licensen. Repositoriet har ingen LICENSE-fil och ingen licenstagg. Modellkortets egen formulering hänvisar till "licensen som medföljer de släppta vikterna och den tillämpliga backbone-licensen" – men det finns ingen medföljande licensfil att hänvisa till. Basmodellen, Qwen3.5-4B, är Apache-2.0, så den mest sannolika tolkningen är att derivatet ärver den. Sannolikt är inte samma sak som deklarerat, och en juridisk granskning kommer inte att acceptera en mening i kortet som pekar på en fil som inte finns.

Den andra är artikeln. v2-metoden – EvidenceConnect, drop-one-region-filtret, träningen med enbart GRPO – har ingen offentlig beskrivning. Kortets länk till artikeln är fortfarande den bokstavliga platshållaren PAPER_URL. Den enda arXiv-identifieraren som är kopplad till repot, 2602.11858, är första generationens artikel, som beskriver region-till-bild-distillation på Qwen3-VL-backboner: en annan metod, en annan basfamilj och en annan uppsättning siffror. Datamängdskortet ärver samma identifierare, så taggen för vidare diskrepansen.

Det tredje är frånvaron av någon oberoende mätning. Ingen resultattavla har poängsatt ZwZ2-4B, ingen replikering finns, och nedladdningsräknaren har inte rört sig från noll. En modell kan vara utmärkt och omätt samtidigt; poängen är bara att inget utanför labbet ännu har bekräftat 54,79.

Namngivningsfällan du kommer att gå rakt in i

Om du söker efter den här modellen hittar du en annan först. Den första generationen ZwZ-4B är en verklig, dokumenterad checkpoint byggd på Qwen3-VL-4B, och den redovisar ett genomsnitt på 66,86 mot basmodellens 61,52, med en ZoomBench-poäng på 55,74. De siffrorna citeras flitigt och de är inte ZwZ2-4B:s siffror. De tillhör en annan basmodell, ett annat träningsrecept och en annan benchmarksvit.

De två namnen skiljer sig åt med ett enda tecken. En jämförelsetabell som blandar dem kommer att se internt konsekvent ut men vara fel. Om en leverantörssida eller en aggregator visar ZwZ2-4B som 66.86, är det felet du tittar på.

Om du behöver en liten synmodell den här veckan

ZwZ2-4B finns inte i OrcaRouters katalog, och den här artikeln tänker inte låtsas något annat. Det är en checkpoint som du laddar ner och serverar själv; det finns ingen hostad endpoint för den någonstans som Hugging Face-sidan erkänner, och sidan anger uttryckligen att ingen inferensleverantör tillhandahåller den.

Det katalogen däremot har är det praktiska alternativet för samma uppgift: qwen/qwen3-vl-8b-instruct för $0,18 per miljon indatatokens och $0,70 per miljon utdatatokens, med en kontext på 131K, tillgänglig via samma OpenAI-kompatibla endpoint som allt annat. Om planen var att utvärdera ZwZ2-4B mot en hostad vision-baslinje är det baslinjen, och att köra båda från en och samma nyckel innebär ett klientbibliotek och en faktura i stället för två integrationer. OrcaRouter routar över 200 modeller med automatisk failover, så en vision-väg byggd på den endpointen är inte beroende av att en enskild uppströmsleverantör förblir frisk.

För en modell med noll nedladdningar och ingen licensfil är det den ärliga rekommendationen: hyr jämförelsen, äg experimentet.

Vad skulle förändra den här bedömningen?

Tre händelser, i fallande ordning efter betydelse. En licensfil, som skulle förvandla ett juridiskt oklart läge till ett juridiskt svar. En offentlig v2-artikel, som skulle göra det möjligt att kontrollera EvidenceConnect-filtreringen för läckage – drop-one-region-testet är en bra idé, och bra idéer är precis vad som behöver granskas. Och över huvud taget någon tredjepartspoäng, eftersom ett enda reproducerbart benchmark på en neutral testrigg skulle göra mer för den här checkpointen än ytterligare tusen ord på ett kort.

Tills ett av dem landar är ZwZ2-4B en väldokumenterad, oannonserad, omätt 4,54B-perceptionsspecialist vars eget kort säger att den slår sin basmodell med 5,38 poäng. Det är ett genuint och specifikt påstående. Det är ännu inte ett resultat, och skillnaden är det enda som är värt att ta med sig ut ur detta repository.