
ZoomGain-4B วางจำหน่ายเมื่อวันที่ 11 พฤศจิกายน โดยไม่มีประกาศใด ๆ
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0711 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 133 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 185 tok/s
คอมมิตแรกใน inclusionAI/ZoomGain มีการประทับตราเวลาไว้ที่ 2026-11-09 เวลา 02:13 UTC และข้อความของมันคือ "Release ZoomGain init." เวตของ ZoomGain-4B ปรากฏบน Hugging Face เมื่อ 2026-11-10 เวลา 11:38 UTC รายการบน arXiv ชุดการประเมิน และคลังข้อมูลการเรียนรู้แบบเสริมกำลังที่ใช้สร้างมันขึ้นมา ล้วนลงวันที่ 2026-11-11 ซึ่งเป็นวันเดียวกับที่การ์ดโมเดลถูกแก้ไขครั้งล่าสุด สิ่งที่ยังไม่ปรากฏ ไม่ว่าที่ใดก็ตามที่ผมค้นหาพบ คือโพสต์เปิดตัว ไม่มีรายการข่าวบนเว็บไซต์ของ inclusionAI ไม่มีประกาศบนโปรไฟล์ Hugging Face ขององค์กรนอกเหนือจากตัวรีโพซิทอรีเอง ไม่มีเอนด์พอยต์ที่โฮสต์ไว้ และไม่มีการรายงานข่าวจากใครเลย ZoomGain-4B เป็นโมเดลภาพและภาษา (vision-language model) ที่สร้างขึ้นด้วยการเรียนรู้แบบเสริมกำลังบนพื้นฐานของ Qwen3.5-4B และนับถึงเช้านี้ คนเดียวที่รู้ว่ามันมีอยู่คือคนที่บังเอิญไปดูรายการรีโพซิทอรี บทความนี้เป็นบทความแบบ "what-the-repo-says": ตัวเลขทุกตัวด้านล่างนี้เป็นได้ทั้งการประทับเวลาที่คุณตรวจสอบเองได้ หรือเป็นตัวเลขที่ผู้เขียนใส่ไว้บนการ์ดของตนเอง และจุดที่ข้อมูลเท่านั้นยังไม่เพียงพอจะถูกระบุว่าเป็นเช่นนั้น
สำหรับผู้อ่านที่อยากเห็นภาพรวมก่อนลงรายละเอียด: โมเดลนี้เป็นเช็กพอยต์แบบมัลติโมดัลที่มีพารามิเตอร์ 4.54 พันล้านตัว ซึ่งตอบคำถามแบบเลือกตอบเกี่ยวกับรายละเอียดทางภาพที่ละเอียดอ่อน — ข้อความขนาดเล็กในภาพถ่าย จำนวนวัตถุในฉากที่รก หรือคุณลักษณะที่อ่านออกได้ก็ต่อเมื่อครอปเข้าไป ข้ออ้างของผู้เขียนคือ โมเดลวิสัยทัศน์ที่มองภาพเต็มจะพลาดรายละเอียดที่มันอ่านได้อย่างสมบูรณ์แบบเมื่อซูมบริเวณเดิมเข้าไป และช่องว่างนี้สามารถเปลี่ยนเป็นสัญญาณสำหรับการฝึกได้ จากนั้นพวกเขาจึงสร้างชุดทดสอบ 1,000 คำถามจากกลไกเดียวกัน และบนชุดทดสอบนั้น โมเดล 4B ที่ผ่านการฝึกได้คะแนน 55.81 เทียบกับ 30.03 สำหรับโมเดลต้นทางที่ใช้ฝึก ตัวเลขสองตัวนี้คือข้อโต้แย้งทั้งหมด และมาพร้อมข้อแม้ที่ตัวบทความระบุเองว่า: ชุดทดสอบถูกสร้างด้วยไปป์ไลน์เดียวกับข้อมูลฝึก ซึ่งบทความเรียกว่า "held-in"
สิ่งที่มาถึง และสิ่งที่เวลาประทับบอก
การเผยแพร่นี้นับว่าสมบูรณ์ผิดปกติสำหรับสิ่งที่ไม่มีการประกาศมาก่อน หกอาร์ติแฟกต์ ทั้งหมดอยู่ในช่วงเวลา 48 ชั่วโมง:
• บทความนี้ “ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision,” arXiv 2611.14076 ส่งเมื่อวันที่ 10 พฤศจิกายน 2026 โดย Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao และ Jianwei Yin มีผู้เขียนเจ็ดคน สาขา cs.CV และ cs.AI
• เช็กพอยต์ขนาด 4B inclusionAI/ZoomGain-4B, safetensors ใน BF16 เมทาดาทาของไฟล์ระบุจำนวนพารามิเตอร์ 4,539,265,536 ตัว โค้ดอยู่ภายใต้ Apache 2.0 ส่วนการ์ดนั้นอ้างอิงข้อกำหนดของเช็กพอยต์และชุดข้อมูลไปยังรีโพซิทอรีของแต่ละรายการเอง
• เช็กพอยต์ 9B inclusionAI/ZoomGain-9B, พารามิเตอร์ 9,409,813,744 ตัว สร้างขึ้นสี่นาทีหลังจากรุ่นน้องของมัน
• บิลด์แบบควอนไทซ์ ZoomGain-4B-GGUF เปิดตัวเมื่อ 2026-11-11 เวลา 03:09 UTC พร้อมความแม่นยำสามระดับและโปรเจกเตอร์วิชันที่เข้าคู่กัน: Q4_K_M ที่ 2.71 GB, Q8_0 ที่ 4.48 GB, F16 ที่ 8.42 GB โดยแต่ละตัวมีไฟล์ mmproj สำหรับตัวเข้ารหัสภาพ ตามมาด้วย 9B GGUF
• ชุดทดสอบมาตรฐาน inclusionAI/ZoomGainBench ประกอบด้วยคำถาม 1,000 ข้อจากภาพ 941 ภาพ พร้อมข้อความทั้งภาษาอังกฤษและภาษาจีนสำหรับทุกรายการ รวมถึงคำตอบอ้างอิง กฎการให้คะแนน และกรอบพื้นที่หลักฐานในพิกัดพิกเซล
• ข้อมูลการฝึก inclusionAI/ZoomGain-RL-Data 9,000 รายการ และภาพต้นฉบับ 7,713 ภาพในรูปแบบ Parquet พร้อมเมทาดาทารางวัลที่สคริปต์การฝึกคาดหวัง
ความเงียบนี้ไม่ใช่ปริศนาและไม่ใช่เรื่องชั่วร้าย มันคือหน้าตาของการเปิดตัวภายในของกลุ่มวิจัย เมื่อบทความขึ้น arXiv ก่อนที่ใครจะเขียนบล็อกโพสต์ มีสัญญาณบอกอยู่ครบ: คอมมิตสามครั้งในเช้าวันที่ 11 พฤศจิกายน ล้วนมีชื่อว่า “update readme” ห่างกันสิบสี่นาที รีโพซิทอรี GitHub มีดาวสามดวงและช่องคำอธิบายยังไม่ได้กรอก รีโพซิทอรี checkpoint ทั้งสองแห่งมียอดดาวน์โหลดเป็นศูนย์และยอดถูกใจเป็นศูนย์ และหน้าโมเดล 4B มีคำเตือนเรื่อง metadata YAML ที่ว่างเปล่าหรือขาดหายไป ไม่มีสิ่งใดในนั้นเป็นหลักฐานเกี่ยวกับโมเดล สิ่งเหล่านั้นเป็นหลักฐานเกี่ยวกับกระบวนการเปิดตัว

วิธีการ ในสามขั้นตอน
ส่วนที่น่าสนใจของ ZoomGain ไม่ใช่ตัวโมเดล แต่คือวิธีที่คำถามถูกสร้างขึ้น ไปป์ไลน์ทำงานในสามขั้นตอน และมีเพียงขั้นตอนแรกเท่านั้นที่เป็นแบบแผนทั่วไป
• ระบุตำแหน่งเป้าหมายโมเดลหลายตัวระบุตำแหน่งบริเวณที่อธิบายไว้ในฉากเต็มโดยอิสระต่อกัน เมื่อ它們เห็นตรงกัน ความเห็นพ้องนั้นถือเป็นภาพครอบตัดที่ควรเก็บไว้ การใช้ความไม่เห็นพ้องเป็นตัวกรองหมายความว่าจุดบอดของโมเดลใดโมเดลหนึ่งเพียงตัวเดียวจะไม่กำหนดชุดเป้าหมาย
• ขุดหลักฐาน คำบรรยายภาพของพื้นที่เดียวกันจะถูกเปรียบเทียบที่ระดับซูมสองระดับ สิ่งใดก็ตามที่ภาพครอปเผยให้เห็นแต่ภาพเต็มไม่เผยจะถูกแปลงเป็นคำถามเกี่ยวกับภาพเต็ม นี่คือกลไกที่ก่อให้เกิดช่องว่าง "global-to-zoom" ที่ชื่อเรื่องกล่าวถึง: คำถามนี้ตอบได้ แต่เฉพาะเมื่อโมเดลแยกแยะบางสิ่ง ณ ขอบเขตการรับรู้ของตนได้
• ตรวจสอบและสร้างตัวเลือกหลอก คำตอบจะถูกตรวจสอบไขว้กับภาพครอป คำถามที่กำกวมจะถูกตัดออก คำถามที่สามารถตอบได้โดยไม่ต้องใช้ภาพเลยจะถูกตัดออก และตัวเลือกหลอกแบบหลายตัวเลือกจะถูกสร้างขึ้น การทดลอง ablation ระบุว่าขั้นตอนสุดท้ายนี้มีส่วนสำคัญจริง — การลบตัวเลือกหลอกที่สร้างขึ้นโดยเฉพาะทำให้คะแนนลดลง 8.96 จุดบน held-in benchmark ซึ่งเป็นการลดลงครั้งใหญ่ที่สุดเพียงครั้งเดียวที่บทความรายงาน
การเทรนเองก็ไม่ได้แปลกใหม่อะไร GRPO ผ่านเฟรมเวิร์ก EasyR1 ที่บันเดิลมาด้วย หนึ่ง epoch, batch size 64, eight rollouts ต่อคำถาม ซึ่งคิดออกมาได้ 140 สเต็ปบน 9,000 ระเบียน รีโปมี smoke test ที่รันหนึ่งสเต็ป รวมถึง rollout, reward และการบันทึก checkpoint พร้อมตัวเปิดใช้งานแบบเต็มสำหรับทั้งสองขนาด PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 และ transformers 5.7.0 — ตรึงเวอร์ชันทั้งหมด ซึ่งเป็นความแตกต่างระหว่างรีโปที่ทำซ้ำผลได้กับรีโปที่เพียงแค่อธิบาย
ตัวเลขที่สำคัญ และข้อแม้ที่ทำให้มันลดลง
ZoomGainBench ถูกออกแบบมาให้ยากโดยเจตนา โมเดลที่แข็งแกร่งที่สุดบน benchmark นี้คือ GPT-5.6-Sol ด้วยคะแนนรวม 61.08 และนั่นคือ 61.08 จาก 100 ในคำถามแบบเลือกตอบเกี่ยวกับภาพถ่าย Claude-Opus-5 อยู่ที่ 59.86, Gemini-3.6-Flash ที่ 59.41 โมเดลวิสัยทัศน์ทั่วไปแบบเปิดที่ดีที่สุดในตาราง Qwen3.8-Flash-Next ที่ 125 พันล้านพารามิเตอร์ ทำได้ 55.05 โมเดล 4 พันล้านพารามิเตอร์ที่ฝึกบนตัวอย่าง 9,000 ตัวอย่างได้ 55.81 — สูงกว่าโมเดลทั่วไป 125B สูงกว่า Kimi-K3 ที่ 2.8 ล้านล้านพารามิเตอร์ สูงกว่า GLM-5.3-Flash ที่ 320 พันล้าน
ถ้าตัวเลขนั้นผ่านการทดสอบกับฮาร์เนสอิสระได้ มันก็จะเป็นข่าวใหญ่ประจำเดือน แต่ตอนนี้ยังไม่ใช่ ด้วยเหตุผลที่เปเปอร์เปิดเผยตรง ๆ ว่า ZoomGainBench ถูกสร้างโดยไปป์ไลน์เดียวกับที่ผลิตข้อมูลฝึก และตาราง ablation ของเปเปอร์เองก็ระบุไว้ในคอลัมน์หัวข้อ "Held-in." คำถามไม่ใช่คำถามชุดเดียวกับที่ใช้ฝึก แต่ถูกดึงมาจากการแจกแจงเดียวกันด้วยกลไกเดียวกัน โมเดลที่ fine-tune บนการแจกแจงนั้นย่อมได้เปรียบกว่าโมเดลที่ประเมินแบบ zero-shot และขนาดของความได้เปรียบนั้นคือสิ่งที่ไม่มีใครนอก inclusionAI สามารถวัดได้ในตอนนี้
หลักฐานที่ถูกกันไว้ไม่น่าตื่นเต้นเท่า แต่โน้มน้าวใจมากกว่า บทความรายงานค่าเฉลี่ยจาก benchmark ที่ถูกกันไว้สิบรายการ: 54.20 สำหรับ Qwen3.5-4B ที่ยังไม่ผ่านการฝึก และ 60.96 สำหรับ 4B ที่ฝึกด้วย ZoomGain การเพิ่มขึ้นเฉลี่ย 6.76 คะแนนบน benchmark ที่การฝึกไม่เคยเห็นถือเป็นผลลัพธ์จริง เพียงแต่ไม่ใช่ข้ออ้างเดียวกันกับการเอาชนะโมเดลที่มีพารามิเตอร์ 2.8 ล้านล้าน
น่าสังเกตเช่นกันว่าผลลัพธ์ที่ดีกว่านั้นไม่ได้สม่ำเสมอเมื่อเทียบ 4B กับโมเดลฐานของมันเองในตารางหลักของบทความ:
• การเพิ่มขึ้นอย่างมาก Visual Probe 43.30 ถึง 57.28 O3-Bench 54.20 ถึง 63.19 Zoom Bench 48.88 ถึง 59.88 HR-Bench 4K 81.25 ถึง 87.25 BabyVision 14.69 ถึง 21.13
• การเพิ่มขึ้นปานกลาง MME-RealWorld-Lite จาก 57.89 เป็น 61.59 MMStar จาก 66.80 เป็น 72.53 HR-Bench 8K จาก 77.63 เป็น 83.88 MMVP จาก 57.33 เป็น 61.33
• หนึ่งการถดถอย "Tree" แบบ TreeBench อ่านค่าได้ 49.38 ก่อนการเทรน และ 49.14 หลังการเทรน ลดลง 0.24 จุด ซึ่งอยู่ในช่วง noise อย่างชัดเจน แต่ก็ยังอยู่ในตารางแทนที่จะถูกตัดออก ซึ่งเป็นสัญญาณที่ดีเกี่ยวกับตาราง

อะไรคือสิ่งที่ยังไม่ได้รับการยืนยันอย่างแท้จริง
สี่เรื่อง และสิ่งเหล่านี้สำคัญกว่าข้อความปฏิเสธความรับผิดตามปกติ
ยังไม่มีการประเมินที่เป็นอิสระ ไม่มีตัวเลขจากบุคคลที่สามแม้แต่ตัวเดียว ตัวเลข 55.81 ค่าเฉลี่ย 60.96 และ 90.25 ที่โมเดล 9B ทำได้บน HR-Bench 4K — ทั้งหมดนี้คือการที่ผู้เขียนวัดโมเดลของตนเองด้วยฮาร์เนสของตนเอง นั่นเป็นเรื่องปกติสำหรับงานวิจัยชิ้นหนึ่ง และไม่ใช่หลักฐานว่ามีอะไรผิดพลาด แต่มันหมายความว่าตัวเลขเหล่านั้นควรถูกอ่านในฐานะข้ออ้าง
ไม่มีเอนด์พอยต์แบบโฮสต์ ไม่มี checkpoint ใดระบุผู้ให้บริการ inference ไม่มี API ไม่มี playground ไม่มีตารางราคา หากคุณต้องการใช้โมเดลนี้ในเดือนหน้า คุณต้องดาวน์โหลด 8.42 GB และรันด้วยตัวเอง
ชื่อไม่สอดคล้องกับจำนวนพารามิเตอร์ในสามจุด โมเดลนี้ถูกเรียกว่า 4B การ์ด GGUF ระบุว่า 4B ป้ายในรีโพซิทอรีระบุว่า 5B และยอดรวม safetensors จริงคือ 4.54B ครึ่งพันล้านที่เกินมาเป็นของตัวเข้ารหัสภาพและโปรเจกเตอร์ ซึ่งเป็นคำอธิบายปกติ — แต่การ์ดที่ไม่สามารถรักษาตัวเลขเดียวให้สอดคล้องกันได้ตั้งแต่วันแรกย่อมแสดงว่ายังไม่ได้ตรวจทาน และนั่นเป็นสิ่งที่สมเหตุสมผลที่จะนำมาชั่งน้ำหนักเมื่อคุณกำลังตัดสินใจว่าจะเชื่อถือส่วนที่เหลือมากน้อยเพียงใด
ไม่มีคำแถลงเจตนา จะมีรุ่น 30B ไหม? จะมีเวอร์ชันโฮสต์ไหม? จะมี v2 ที่มีเบนช์มาร์กแบบ held-out ไหม? ไม่มีอะไรในรีโพซิทอรีระบุไว้ บันทึกการอัปเดตของ README มีสามบรรทัด ทั้งหมดลงวันที่ 2026.11.11 และทั้งหมดอธิบายสิ่งที่เผยแพร่แล้วแทนที่จะเป็นสิ่งที่กำลังจะมาถัดไป

การรันระบบวันนี้โดยไม่ต้องพึ่งผู้ขาย
เส้นทาง GGUF เป็นเส้นทางที่ใช้งานได้จริง และมีข้อกำหนดเบื้องต้นที่เข้มงวด: คุณต้องมีบิลด์ llama.cpp ที่รองรับ multimodal ของ Qwen3.5 การ์ดระบุชัดเจนว่าโมเดลภาษาและโปรเจกเตอร์ mmproj เป็นไฟล์แยกกัน และอินพุตรูปภาพต้องใช้ทั้งสองอย่าง ตัวอย่าง CLI ส่ง -m สำหรับโมเดล, --mmproj สำหรับโปรเจกเตอร์, --image สำหรับรูปภาพ และรันที่อุณหภูมิ 0 โดยปิด thinking ซึ่งเป็นค่าเริ่มต้นของ evaluation harness เช่นกัน llama-server ทำงานแบบเดียวกันบนพอร์ต 8080 ที่ Q4_K_M คุณจะมีโมเดลภาษา 2.71 GB บวกโปรเจกเตอร์ ซึ่งพอดีกับแล็ปท็อปได้อย่างสบาย; ที่ F16 คุณจะอยู่ที่ 8.42 GB บวกโปรเจกเตอร์ ซึ่งเป็นเวิร์กสเตชันหรือ GPU ระดับกลางหนึ่งตัว
สำหรับงานที่มีปริมาณมาก vLLM 0.19.1 พร้อม transformers 5.7.0 คือสแตกที่ได้รับการสนับสนุน และสคริปต์ประเมินผลของรีโพซิทอรีเองรับMODEL_PATH, GPUS เป็นรายการ และLANGUAGE เป็นสวิตช์ที่รันเฉพาะภาษาอังกฤษ เฉพาะภาษาจีน หรือทั้งสองอย่างสำหรับ 2,000 งาน นั่นเป็นโครงพื้นฐานเพียงพอที่จะจำลองตัวเลขที่รายงานได้บนฮาร์ดแวร์ของคุณเอง ซึ่งมากกว่าที่รีลีสเงียบ ๆ ส่วนใหญ่มีให้
หากคุณไม่อยากตั้ง GPU ขึ้นมาเพื่อดูว่าวิธีนี้คุ้มค่าจริงหรือไม่ การก้าวระหว่างกาลที่ซื่อตรงคือการทำต้นแบบลูป crop-and-ask กับโมเดลวิชันแบบโฮสต์ที่คุณเรียกใช้ได้วันนี้ แคตตาล็อกของเรามี Qwen3-VL-8B ในราคา $0.18 ขาเข้า และ $0.70 ขาออกต่อล้านโทเค็น และไลน์ Qwen3.5 จาก qwen3.5-35b-a3b เริ่มที่ $0.057 และ $0.459 ขึ้นไป — คีย์เดียว ไม่มีสัญญาแยกตามผู้ขาย และมีกฎการจัดเส้นทางที่ failover ไปยังโมเดลที่สองหากโมเดลแรกหยุดชะงัก ZoomGain-4B เองไม่อยู่ในแคตตาล็อกของเรา และฉันจะไม่แกล้งทำเป็นอย่างอื่น ประเด็นของการอ้อมผ่านโฮสต์คือการพิสูจน์ว่าคำถามเกี่ยวกับรายละเอียดปลีกย่อยเป็นสิ่งที่ผลิตภัณฑ์ของคุณตอบผิดจริงหรือไม่ ก่อนที่คุณจะใช้เวลาหนึ่งสัปดาห์กับ 4B ที่โฮสต์เองซึ่งตอบคำถามเหล่านี้ได้ดีกว่าโมเดลแม่ของมันเองเท่านั้น
อะไรจะเปลี่ยนสิ่งนี้จากความอยากรู้อยากเห็นให้เป็นการตัดสินใจ
สามสัญญาณ เรียงตามว่าสิ่งใดจะให้ข้อมูลกับคุณได้มากเพียงใด หนึ่ง การรัน ZoomGainBench แบบอิสระโดยบุคคลที่ไม่มีส่วนได้ส่วนเสียในไปป์ไลน์ — เบนช์มาร์กเป็นแบบสาธารณะ ฮาร์เนสอยู่ในรีโพซิทอรี และอุปสรรคในการเริ่มต้นคือ GPU หนึ่งตัวกับเวลาหนึ่งบ่าย ดังนั้นสิ่งนี้น่าจะเกิดขึ้นก่อนสัญญาณอื่นใด สอง ส่วนขยายแบบ held-out: หากผู้เขียนตอบข้อคัดค้านที่เห็นได้ชัดโดยการประเมินบนเบนช์มาร์กที่พวกเขาไม่มีส่วนเกี่ยวข้องในการสร้าง ตัวเลข 55.81 ก็จะเลิกเป็นตัวเลขที่เกี่ยวกับชุดทดสอบของพวกเขาเอง สาม การปรับใช้แบบโฮสต์ ซึ่งจะบอกคุณว่าเวตนั้นสามารถให้บริการได้จริงที่ความหน่วงที่ยอมรับได้ ไม่ใช่เพียงดาวน์โหลดได้เท่านั้น
จนกว่าหนึ่งในสิ่งเหล่านั้นจะเกิดขึ้นจริง คำอธิบายที่ถูกต้องของ ZoomGain-4B ไม่ใช่ "โมเดลวิชันขนาดเล็กเอาชนะโมเดลระดับแนวหน้า" แต่คือ: กลุ่มวิจัยกลุ่มหนึ่งเผยแพร่สูตรการฝึกที่ยกระดับโมเดลวิชัน 4B ขึ้นโดยเฉลี่ย 6.76 คะแนนจากสิบเบนช์มาร์กที่มันไม่ได้ฝึกด้วย และในเวลาเดียวกันก็เผยแพร่เบนช์มาร์กที่แสดงให้เห็นว่าเคล็ดลับเดียวกันนี้ให้ตัวเลขที่สูงกว่ามากในคำถามที่สร้างขึ้นด้วยวิธีเดียวกัน ครึ่งแรกคือข้อค้นพบ ครึ่งหลังคือการตลาด และมันมาถึงโดยไม่มีข่าวประชาสัมพันธ์ ซึ่งอย่างน้อยก็นับเป็นลำดับการมาถึงของสองสิ่งนี้ที่สดใหม่
