ZoomGain-4B vs MiniCPM5 2B: ความสามารถในการพกพาคือเกณฑ์มาตรฐานที่ไม่มีใครเผยแพร่
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 119 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 99 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0727 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 121 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 230 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 40 tok/s
- Orcaใหม่OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 98 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 40 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 · 125 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 105 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 · 63 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 · 406 tok/s
มีตัวเลขหนึ่งตัวที่หายไปจากการ์ดโมเดลทั้งสองใบ และมันคือตัวเลขที่ตัดสินการติดตั้งใช้งานส่วนใหญ่ MiniCPM5-2B มีให้ใช้ในบิลด์ GGUF, MLX, GPTQ และ LiteRT มีโมเดล Draft ชื่อ DSpark สำหรับ speculative decoding และ — รายละเอียดที่บอกคุณได้มากที่สุด — มีบิลด์ FlagOS สำหรับตระกูลตัวเร่งความเร็วเก้าตระกูลที่แตกต่างกัน รวมถึง Ascend, Hygon, Kunlunxin และ Metax ZoomGain-4B มีให้ใช้ใน GGUF สามระดับความแม่นยำ และตามคำในการ์ดของมันเอง ต้องใช้ "a llama.cpp build with Qwen3.5 multimodal support" หนึ่งในโมเดลเหล่านี้รันได้แทบทุกที่ ส่วนอีกตัวรันได้เฉพาะที่ซึ่งคุณสามารถสร้างรันไทม์เฉพาะได้ การ์ดทั้งสองใบไม่ได้เรียกสิ่งนี้ว่า benchmark และสำหรับใครก็ตามที่ต้องใช้งานโมเดลจริง ๆ มากกว่าจะเพียงอ้างอิงมัน นี่คือแถวที่สำคัญกว่าคอลัมน์ความแม่นยำของโมเดลทั้งสอง
การวางกรอบเช่นนั้นไม่ใช่วิธีหลีกเลี่ยงการเปรียบเทียบความแม่นยำ — การเปรียบเทียบนั้นจะตามมาทีหลัง และปรากฏว่าความแม่นยำไม่ได้ชี้ขาดอย่างที่เห็นนัก เพราะสองโมเดลไม่ได้ถูกวัดบนแกนเดียวกันและไม่สามารถวัดบนแกนเดียวกันได้ MiniCPM5-2B จาก OpenBMB เป็นโมเดลข้อความ: 2.52 พันล้านพารามิเตอร์ เปิดตัว 6 กันยายน 2026 ปรับแต่งสำหรับเอเจนต์ การเรียกใช้เครื่องมือ โค้ด และบริบทขนาดยาว ZoomGain-4B จาก inclusionAI เป็นผู้เชี่ยวชาญด้านภาพ-ภาษา เผยแพร่ 11 พฤศจิกายน 2026 ฝึกด้วยการเรียนรู้แบบเสริมกำลังจากคำถามเกี่ยวกับรายละเอียดภาพเล็ก ๆ ต่อไปนี้คือสิ่งที่แต่ละตัวถูกวัด ต้นทุนในการทำให้แต่ละตัวใช้งานได้ และเส้นแบ่งที่ซื่อตรงอยู่ตรงไหน
แถวที่หายไป: สิ่งที่ต้องใช้ในการรันแต่ละรายการ
เริ่มจากรายการอาร์ติแฟกต์ก่อน เพราะมันเป็นสิ่งที่เป็นรูปธรรมที่สุดในบรรดาสิ่งที่ผู้เผยแพร่ฝ่ายใดฝ่ายหนึ่งได้ให้คุณมา
• MiniCPM5-2B. เป็นทรานส์ฟอร์เมอร์เชิงสาเหตุแบบหนาแน่นบนคลาส LlamaForCausalLM มาตรฐาน — มี 42 ชั้น, GQA ที่มี 16 หัว query และ 2 หัว KV, บริบท 131,072 โทเค็น, พารามิเตอร์ทั้งหมด 2,516,756,480 ตัว โดย 1,981,982,720 ตัวไม่ใช่ embedding เนื่องจากสถาปัตยกรรมเป็นมาตรฐาน จึงสืบทอดเส้นทางการให้บริการทุกรูปแบบที่ใครก็ตามเคยเขียนไว้สำหรับโมเดลรูปทรง Llama องค์กรเผยแพร่ตัวแปร SFT, Midtrain และ Base เป็นรีโปแยกกัน พร้อมกับการควอนไทซ์ GGUF, MLX และ GPTQ พร้อมโมเดลร่าง DSpark สำหรับการถอดรหัสเชิงคาดการณ์ พร้อม LiteRT สำหรับ Android บนอุปกรณ์ และพร้อมรุ่นพี่น้อง 1B ที่มีชุดตัวแปรเดียวกัน
• ZoomGain-4B. 4,539,265,536 พารามิเตอร์ใน BF16 ครอบคลุมทั้งโมเดลภาษาและตัวเข้ารหัสภาพแยกต่างหาก มี GGUF สามระดับความแม่นยำ — Q4_K_M ที่ 2.71 GB, Q8_0 ที่ 4.48 GB, F16 ที่ 8.42 GB — แต่ละระดับจับคู่กับ mmproj ไฟล์โปรเจกเตอร์ที่การ์ดระบุว่าจำเป็นสำหรับอินพุตภาพ ไม่มีบิลด์ MLX, ไม่มี GPTQ, ไม่มี ONNX, ไม่มีโมเดลดราฟต์ รันไทม์เดียวที่ระบุชื่อคือ llama.cpp ที่รองรับมัลติโหมดของ Qwen3.5 ซึ่งเป็นข้อกำหนดที่แคบกว่าที่ฟังดู: คุณต้องใช้บิลด์ที่ใหม่พอที่จะรู้จักสถาปัตยกรรม qwen35 และการ์ดบอกให้คุณระบุไฟล์ทั้งสองอย่างชัดเจนแทนที่จะชี้ไปยังพาธที่พร้อมใช้
ความไม่สมมาตรนี้ไม่ใช่คำวิจารณ์ต่อ inclusionAI โมเดลวิชันที่เผยแพร่เมื่อเก้าวันก่อนและยังไม่เคยถูกประกาศอย่างเป็นทางการนั้น ไม่ถือว่าคาดหวังว่าจะมีรันไทม์ Android มันเป็นเพียงสภาพการณ์ที่เป็นอยู่ และหมายความว่าโมเดลทั้งสองไม่สามารถใช้แทนกันได้ในมิติที่ต้องแลกด้วยเงิน: MiniCPM5-2B จะทำงานบนฮาร์ดแวร์ที่คุณมีอยู่แล้ว รวมถึงโทรศัพท์ ส่วน ZoomGain-4B จะทำงานบน GPU ในรันไทม์ที่คุณอาจต้องคอมไพล์เอง และไม่มีที่อื่นอีก
สองคำจำกัดความที่แตกต่างกันของคำว่า "เล็ก"
ทั้งคู่ถูกเรียกว่าโมเดลขนาดเล็ก และคำนี้ทำหน้าที่ต่างกันในแต่ละกรณี
• พารามิเตอร์ ที่นับกันตามจริง MiniCPM5-2B มีพารามิเตอร์ที่ไม่ใช่ส่วน embedding จำนวน 1.98B — ซึ่งเป็นตัวเลขที่กำหนดปริมาณการคำนวณต่อโทเคน — ภายในจำนวนรวม 2.52B ส่วน ZoomGain-4B มีจำนวนรวม 4.54B และประมาณครึ่งพันล้านในจำนวนนั้นเป็นตัวเข้ารหัสภาพ (vision encoder) และโปรเจกเตอร์ หากตัดส่วนวิชันสแตกออกไป แบ็กโบนภาษาทั้งสองก็มีขนาดต่างกันเพียงระดับความคลาดเคลื่อนจากการปัดเศษ ความแตกต่างในพฤติกรรมจึงมาจากสิ่งที่ถูกฝึกเพิ่มเข้าไปบนนั้น ไม่ใช่จากขนาด
• การฝึกนี้มุ่งเป้าไปที่อะไรการ์ดของ MiniCPM5-2B ระบุจุดแข็งที่สุดของมัน ได้แก่ การให้เหตุผลด้านโค้ดและคณิตศาสตร์ ความเข้าใจบริบทแบบยาว การใช้เครื่องมือและงานเชิงเอเจนต์ และระบุเป้าหมายว่าเป็นผู้ช่วยภายในเครื่อง เอเจนต์เขียนโค้ด และการติดตั้งใช้งานบนอุปกรณ์ ส่วนการ์ดของ ZoomGain-4B พูดถึงเรื่องเดียว นั่นคือ โมเดลสามารถตอบคำถามที่มองเห็นคำตอบได้ก็ต่อเมื่อคุณซูมเข้าไปในภาพหรือไม่
• สิ่งที่ผู้เผยแพร่แต่ละรายเลือกจะส่งมอบ OpenBMB เผยแพร่ตัวแปรครบทุกระดับสำหรับ MiniCPM5 — base, midtrained, SFT, RL-plus-OPD final พร้อมโมเดล draft และไบนารีที่สร้างไว้ล่วงหน้าสำหรับตระกูลชิปเก้าตระกูล inclusionAI เผยแพร่ repo โมเดลสามตัว ชุดข้อมูลสองชุด และ repo โค้ดที่มีไปป์ไลน์การสร้างข้อมูลและตัวเรียกใช้ GRPO หนึ่งในนั้นเป็นสายผลิตภัณฑ์ ส่วนอีกอันเป็นการเปิดตัวงานวิจัยที่แนบสมุดบันทึกของแล็บมาด้วย
• สัญญาอนุญาต MiniCPM5-2B ระบุ Apache 2.0 บนการ์ดโมเดล ซึ่งมีผลกับทั้งรีโพซิทอรีและเวตต์ โค้ดของ ZoomGain เป็น Apache 2.0 และข้อกำหนดของเช็กพอยต์ให้อ้างอิงจากรีโพซิทอรีเช็กพอยต์ ซึ่ง ณ สัปดาห์นี้ยังไม่มีแท็กสัญญาอนุญาตในเมทาดาทา อ่านไฟล์ก่อนปล่อย
คอลัมน์เกณฑ์มาตรฐาน และเหตุใดจึงไม่ผ่านเกณฑ์
ไม่มีเบนช์มาร์กใดที่ทั้งสองโมเดลนี้ใช้ร่วมกันเลย ไม่แม้แต่รายการเดียว ZoomGainBench เป็นชุดคำถามเกี่ยวกับภาพถ่าย และ MiniCPM5-2B ไม่มีตัวเข้ารหัสภาพ ส่วนเบนช์มาร์กอื่น ๆ ทุกตัวในตารางของ MiniCPM5 เป็นข้อความ และ ZoomGain-4B ยังไม่เคยถูกทดสอบกับเบนช์มาร์กเหล่านั้นเลย ดังนั้นแทนที่จะเปรียบเทียบแบบตัวต่อตัว นี่คือสิ่งที่ผู้เผยแพร่แต่ละรายวัดจริง โดยแยกออกจากกันโดยเจตนา
MiniCPM5-2B ตามรายงานของผู้จำหน่าย มีค่าเฉลี่ย 53.9 จากชุดการทดสอบของโมเดล:
• โค้ด — LiveCodeBench v6 69.1, OJBench 32.5, SWE-bench Verified 46.4.
• คณิตศาสตร์ — AIME 2025 86.5, AIME 2026 86.5, MATH-500 94.6
• ความรู้ — MMLU-Pro 70.8, GPQA-Diamond 70.2
• บริบทยาว — AA-LCR 59.0, NoLiMa 68.1, LongBench v2 43.7
• การใช้เครื่องมือและเอเจนต์ — τ²-Bench Telecom 97.1, BFCL v4 66.6, BrowseComp-ZH 43.5, GAIA Text-103 88.7
ZoomGain-4B ตามที่ผู้จำหน่ายรายงาน:
• การรับรู้, benchmark แบบ held-in — 55.81 บน ZoomGainBench เทียบกับ 30.03 ของโมเดลแม่ Qwen3.5-4B
• การรับรู้ ค่าเฉลี่ยแบบ held-out — 60.96 จากสิบเกณฑ์ทดสอบที่การฝึกไม่เคยเห็น เทียบกับ 54.20 สำหรับรุ่นต้นทาง นั่นคือการเพิ่มขึ้น 6.76 จุดที่ควรค่าแก่การกล่าวถึง
• ผลการทดสอบแบบ held-out แต่ละรายการ — Visual Probe 43.30 ถึง 57.28, O3-Bench 54.20 ถึง 63.19, HR-Bench 4K 81.25 ถึง 87.25, MME-RealWorld-Lite 57.89 ถึง 61.59
อ่านรายการทั้งสองนี้วางเคียงกัน แล้วรูปร่างของการตัดสินใจก็ชัดเจน MiniCPM5-2B ถูกทดสอบกับสิบเจ็ดอย่างที่นักพัฒนาสนใจ และทำคะแนนได้น่าพอใจในเกือบทั้งหมด ตัวเลข {{1}}τ²-Bench Telecom{{/1}} ที่ {{2}}97.1{{/2}} และ GAIA Text-103 ที่ 88.7 เป็นตัวเลขที่โดดเด่น และเป็นตัวเลขที่จุดยืนของมันอาศัยอยู่ ZoomGain-4B ถูกทดสอบด้านการรับรู้และแทบไม่มีอย่างอื่นเลย และส่วนเพิ่มที่มันมอบให้ — ประมาณเจ็ดคะแนนโดยเฉลี่ย บนเบนช์มาร์กที่ไม่เคยเห็น — เป็นของจริงแต่แคบ
ถ้าคุณต้องการเพียงประโยคเดียว: MiniCPM5-2B เป็นโมเดลขนาดเล็กอเนกประสงค์ที่มีตารางผลการทดสอบมาตรฐานลึกอย่างผิดปกติ และ ZoomGain-4B เป็นผู้เชี่ยวชาญที่มีการเพิ่มขึ้นเฉลี่ยเจ็ดคะแนน ซึ่งจะมองไม่เห็นบนลีดเดอร์บอร์ดแบบอเนกประสงค์ เพราะลีดเดอร์บอร์ดแบบอเนกประสงค์ไม่มีคำถามที่มันเก่ง
ที่ที่ทั้งสองจะอยู่ร่วมกันได้จริง
งานที่ทั้งสองแนวทางต่างเป็นคำตอบที่ถูกต้องมีรูปแบบร่วมกัน: เอกสาร ภาพหน้าจอ ภาพถ่าย แบบฟอร์ม มีบางส่วนที่ต้องดูภาพและดึงค่าออกมา และมีบางส่วนที่ต้องทำทุกอย่างที่เหลือหลังจากนั้น — แยกวิเคราะห์สคีมา เรียกเครื่องมือที่ถูกต้อง ตรวจสอบ ลองใหม่ และส่งต่อให้มนุษย์
การสกัดข้อมูลมีลักษณะแบบ ZoomGain คือข้อความขนาดเล็ก การครอปภาพให้แน่น คำตอบที่ถูกหรือผิดเท่านั้น และโมเดลที่ได้รับการฝึกอย่างชัดเจนเกี่ยวกับความแตกต่างระหว่างการอ่านป้ายในภาพครอปกับการอ่านป้ายเดียวกันในเฟรมเต็ม ตัวเลข held-out ของ ZoomGain-4B บน HR-Bench 4K (81.25 ถึง 87.25 หลังการฝึก) และ MME-RealWorld-Lite ตรงกับโปรไฟล์ของโมเดลที่เก่งขึ้นในรายละเอียดหนาแน่นโดยไม่แย่ลงในด้านอื่นเลย
ส่วนที่เหลือมีลักษณะแบบ MiniCPM5 และด้านการใช้เครื่องมือนั้นแข็งแกร่งเป็นพิเศษเมื่อเทียบกับขนาดของมัน — τ²-Bench Telecom ที่ 97.1 เป็นตัวเลขที่โมเดลส่วนใหญ่ที่ใหญ่กว่าสามเท่าทำไม่ถึง และ BFCL v4 ที่ 66.6 บอกว่าการเรียกฟังก์ชันไม่ใช่แค่เดโม
การรันทั้งสองแบบหมายถึงสองรันไทม์ สองไลเซนส์ และอีกหนึ่งสิ่งที่อาจพังได้ นอกจากนี้ยังเป็นจุดที่เราเตอร์พิสูจน์คุณค่าของตัวเองได้จริง ไม่ใช่แค่คำขวัญ: การเรียกภาพจะไปยังเอนด์พอยต์วิชัน รอบการเรียกเครื่องมือจะไปยังเอนด์พอยต์ข้อความราคาถูก และหากฝั่งใดฝั่งหนึ่งหยุดชะงัก ระบบจะสลับไปยังอีกฝั่งโดยอัตโนมัติ แทนที่จะปรากฏเป็น 504 ในไปป์ไลน์ของคุณ คีย์เดียว ใบแจ้งหนี้เดียว และตรรกะการสลับเมื่อล้มเหลวอยู่ในที่เดียว แทนที่จะถูกทำซ้ำในสอง SDK
ขอยืนยันให้ชัดเจนว่าเรามีอะไรและไม่มีอะไรให้บริการ ในแคตตาล็อกของเราวันนี้ยังไม่มี MiniCPM5-2B แต่เรามีตระกูล Qwen3.5 ให้บริการ ได้แก่ 35B-A3B ในราคา $0.057 ต่ออินพุต และ $0.459 ต่อเอาต์พุตต่อล้านโทเค็น และ 27B ในราคา $0.086 และ $0.688 โดยทั้งสองเป็นมัลติโมดัล และตระกูลนี้เองคือฐานที่ใช้ฝึก ZoomGain-4B ซึ่งทำให้มันเป็นตัวเลือกที่ใกล้เคียงที่สุดในบรรดาโมเดลที่เราโฮสต์ไว้ หากคุณต้องการทดสอบว่าการครอบภาพแล้วถามช่วยเพิ่มความแม่นยำได้หรือไม่ ก่อนจะตัดสินใจใช้ 4B แบบโฮสต์เอง สำหรับส่วนของการเรียกใช้เครื่องมือ แคตตาล็อกเดียวกันนี้ก็มีให้คุณเรียกใช้ได้ตั้งแต่วันนี้ สิ่งที่เราทำไม่ได้คือโฮสต์ ZoomGain-4B และไม่ว่าจะจัดเส้นทางอย่างไรก็เปลี่ยนข้อเท็จจริงนี้ไม่ได้ เพราะมันคือไฟล์ดาวน์โหลด ไม่ใช่ API
คำตัดสินที่ตรงไปตรงมา
เลือก MiniCPM5-2B หากคุณต้องการโมเดลขนาดเล็กที่คุณสามารถนำไปใช้งานได้ในสัปดาห์นี้ บนฮาร์ดแวร์ที่คุณมีอยู่แล้ว ในรันไทม์ที่มีอยู่แล้ว ด้วยสัญญาอนุญาต Apache 2.0 และมีตารางเบนช์มาร์กที่กว้างพอจะคาดการณ์ได้ว่ามันจะทำงานอย่างไร มันคือชิ้นงานที่เสร็จสมบูรณ์แล้วในสองตัวนี้ พารามิเตอร์ที่ไม่ใช่ embedding จำนวน 1.98B ทำให้ต้นทุนต่อโทเคนต่ำ ตัวเลขการเรียกใช้เครื่องมือของมันดีที่สุดในคอลัมน์ของมัน และบิลด์จากผู้ผลิตชิปหมายความว่ามันไม่ใช่ข้อเสนอสำหรับดาต้าเซ็นเตอร์เท่านั้น
เลือก ZoomGain-4B หากข้อผิดพลาดเฉพาะเจาะจงที่คุณกำลังพยายามกำจัดนั้นเป็นเรื่องเกี่ยวกับภาพและมีความละเอียดยิบย่อย และคุณยินดีที่จะรัน GPU ด้วยบิลด์ llama.cpp แบบเฉพาะทางเพื่อแก้ไขมัน เหตุผลของมันตั้งอยู่บนตัวเลขที่น่าเชื่อถือได้ตัวเดียว — อัตราการเพิ่มขึ้นเฉลี่ย 6.76 จุดจากเกณฑ์วัดการรับรู้แบบ held-out จำนวนสิบรายการ ซึ่งมาจากตัวอย่างการฝึก 9,000 ตัวอย่าง — และบนเกณฑ์วัด ชุดข้อมูล และฮาร์เนสที่ให้คุณตรวจสอบข้อกล่าวอ้างได้ด้วยตัวเองแทนที่จะต้องเชื่อถือมัน
อย่าเลือกอันใดอันหนึ่งหากคุณยังไม่ได้วัดว่าท่อส่งข้อมูลของคุณทำงานผิดตรงไหน ผลลัพธ์ที่อ่อนที่สุดที่เผยแพร่ของ MiniCPM5-2B คือตัวแทนค้นหาและการให้เหตุผลกับเอกสารยาว (BrowseComp-ZH 43.5, LongBench v2 43.7) และ ZoomGain-4B ไม่เคยถูกถามคำถามที่ไม่เกี่ยวกับภาพเลย การซื้ออันใดอันหนึ่งเพื่อแก้ปัญหาที่คุณยังไม่ได้ระบุลักษณะเฉพาะ คือวิธีที่โมเดลสามพันล้านพารามิเตอร์ไปจบในระบบโปรดักชันโดยทำอะไรไม่ได้
ข้อสรุปที่ไม่มีอะไรน่าตื่นเต้นคือ โมเดลทั้งสองไม่ใช่คู่แข่งกัน แต่เป็นสองขั้นตอนที่อยู่ติดกันของงานเดียวกัน และเหตุผลที่การเปรียบเทียบนี้ถูกตีกรอบเป็นเกมการแข่งขันอยู่เรื่อย ๆ ก็คือ การเผยแพร่ benchmark นั้นง่ายกว่าการพอร์ตให้ใช้งานได้จริง MiniCPM5-2B ชนะในคอลัมน์ที่ได้เผยแพร่ ส่วน ZoomGain-4B ชนะในคอลัมน์ที่ยังไม่มีอยู่จริง ในงานเดียว โดยมากกว่าประมาณเจ็ดคะแนน และมาพร้อมข้อกำหนดด้านรันไทม์ที่จะทำให้ทีมส่วนใหญ่หยุดตั้งแต่ยังไม่เริ่ม
