ZoomGain-4B กับ Qwen3.8-27B: ชัยชนะ 11 คะแนนนั้นมาจากชุดข้อมูล ไม่ใช่ตัวโมเดล

ตัวเลขที่ทำให้การเปรียบเทียบนี้ควรค่าแก่การมีหนึ่งหน้า คือ 55.81 ต่อ 44.81 บน ZoomGainBench ซึ่งเป็นเบนช์มาร์กวัดรายละเอียดเล็ก ๆ จำนวน 1,000 คำถามที่เผยแพร่คู่กับผลงานของ inclusionAI คือ ZoomGain-4Bซึ่งเป็นโมเดลวิสัยทัศน์ขนาด 4.54 พันล้านพารามิเตอร์ที่ทำคะแนนได้สูงกว่าอยู่สิบเอ็ดจุดเมื่อเทียบกับ Qwen3.8-27Bซึ่งเป็นโมเดล dense ขนาด 27.78 พันล้านพารามิเตอร์ที่ Alibaba เปิดตัวภายใต้ Apache 2.0 ในเดือนสิงหาคม และอ่านได้ทั้งภาพ วิดีโอ และข้อความ พารามิเตอร์มากกว่าหกเท่า แต่กลับแพ้ไปสิบเอ็ดจุด อ่านเปเปอร์ที่สร้างตัวเลขทั้งสองนี้ แล้วช่องว่างจะไม่ใช่ข้อกล่าวอ้างเรื่องการมองเห็นอีกต่อไป: ZoomGainBench ถูกสร้างโดยไปป์ไลน์อัตโนมัติเดียวกันกับที่สร้างข้อมูลฝึกของ ZoomGain-4B ผู้เขียนบอกเองใน ablation study ของพวกเขา และโมเดลที่พวกเขาแข่งด้วยจริง ๆ ไม่ใช่ Qwen3.8-27B เลย — แต่เป็นชุดข้อมูลอีกชุดหนึ่ง

นั่นไม่ใช่การหักล้าง มันเป็นสิ่งที่มีประโยชน์ที่สุดในรีลีส และเป็นสิ่งที่ทำให้การเปรียบเทียบตัดสินได้อย่างชัดเจน: มันบอกคุณว่าควรเลือกใช้โมเดลใดจากสองโมเดล และควรอ้างตัวเลขใดเมื่อมีคนขอให้คุณให้เหตุผลประกอบการเลือก สิ่งที่ตามมาจะแยกข้ออ้างสามข้อที่มักถูกรวมไว้ด้วยกันตรงนี้ — ว่าโมเดลเฉพาะทางขนาดเล็กชนะโมเดลอเนกประสงค์ขนาดใหญ่, ว่าไปป์ไลน์ข้อมูลหนึ่งชนะอีกไปป์ไลน์ข้อมูลหนึ่ง, และว่าข้อใดข้อหนึ่งในนี้เป็นเหตุผลให้เปลี่ยนสแตกของคุณในเดือนนี้

สิ่งที่ปล่อยออกมา และเงียบแค่ไหน

รีโพซิทอรีสำหรับ ZoomGain-4B ถูกสร้างบน Hugging Face เมื่อวันที่ 10 พฤศจิกายน 2026 เวลา 11:38 UTC และแก้ไขล่าสุดเมื่อวันที่ 11 พฤศจิกายน บทความ arXiv 2611.14076 ถูกส่งเมื่อวันที่ 10 พฤศจิกายน รีโพซิทอรี GGUF ถูกแตะเมื่อเวลา 03:13 UTC ของวันที่ 11 พฤศจิกายน ณ เวลาที่เขียน รีโพซิทอรีทั้งสองแสดงยอดดาวน์โหลดเป็นศูนย์และไลก์เป็นศูนย์ ไม่มีผู้ให้บริการ inference ที่ผูกกับโมเดลนี้ และไม่มีโพสต์เปิดตัวจากผู้ขาย บทความบล็อก หรือข่าวประชาสัมพันธ์ใด ๆ สำหรับโมเดลนี้ รายการ Updates ใน model card เอง ซึ่งลงวันที่ 11 พฤศจิกายน เป็นประกาศเพียงอย่างเดียว: สามบรรทัดที่ระบุว่าบทความ เบนช์มาร์ก ชุดข้อมูล RL และเช็กพอยต์เปิดตัวแล้ว

ดังนั้นการวางกรอบอย่างตรงไปตรงมาก็คือสิ่งนี้ถูกปล่อยออกมาอย่างเงียบๆ และยังไม่มีการประกาศ ทุกอย่างด้านล่างที่มาจากรีโพซิทอรีสามารถตรวจสอบได้ในวันนี้ ส่วนเรื่องใดก็ตามเกี่ยวกับพฤติกรรมของโมเดลนอกฮาร์เนสของผู้เขียน ยังไม่ได้รับการยืนยัน เพราะยังไม่มีใครนอก Ant Group และ Zhejiang University ที่ได้รันมันและรายงานกลับมา

รายละเอียดสองประการจากรีโพซิทอรีที่ควรรู้ก่อนเริ่มการเปรียบเทียบ เพราะทั้งสองประการจำกัดสิ่งที่คุณสามารถทำได้กับมัน

• สถาปัตยกรรม รุ่นที่พัฒนาต่อจาก Qwen3.5-4B — 32 เลเยอร์ ขนาด hidden 2,560, หัว query 16 หัวเทียบกับหัว KV 4 หัวที่มิติหัว 256, สัดส่วน 3:1 ระหว่าง linear DeltaNet กับ full attention, จำนวนตำแหน่งสูงสุด 262,144, คำศัพท์ 248,320 โทเคน และตัวเข้ารหัสภาพ 24 เลเยอร์ที่ขนาด hidden 1,024 จำนวนพารามิเตอร์ทั้งหมด รวมตัวเข้ารหัสและโปรเจกเตอร์ คือ 4,539,265,536

• สัญญาอนุญาต ส่วนสัญญาอนุญาตของการ์ดครอบคลุมโค้ด ซึ่งเป็น Apache 2.0 จากนั้นจึงโยนไปที่อื่นว่า "ดูการ์ดของ Hugging Face สำหรับข้อกำหนดของแต่ละชุดข้อมูลและ checkpoint" การ์ดของ checkpoint ไม่มีแท็กสัญญาอนุญาตเลยแม้แต่แท็กเดียว Qwen3.8-27B เป็น Apache 2.0 อย่างชัดเจนไม่มีกำกวม หากคุณต้องการสัญญาอนุญาตที่ยกให้นักกฎหมายได้ ความไม่สมมาตรนี้คือสิ่งแรกที่คุณจะเจอ และไม่มีสิ่งใดในการเปิดตัวนี้ที่แก้ไขมันได้

รายการเดียวที่ทั้งสองโมเดลปรากฏเคียงข้างกัน

ZoomGainBench เป็นเบนช์มาร์กสองภาษาที่มีคำถาม 1,000 ข้อบนภาพ 941 ภาพ: คำถามระบุคุณลักษณะ 472 ข้อที่มีตัวเลือกสี่ถึงหกตัวเลือก คำถามการนับ 94 ข้อ และคำถาม OCR 434 ข้อ โดยแต่ละข้อมีฉบับภาษาอังกฤษและฉบับภาษาจีน จึงมีรายการประเมิน 2,000 รายการ มีการรันโมเดล 28 ตัวบนชุดนี้ภายใต้ฮาร์เนสเดียวกัน — ใช้พรอมป์ตระบบเดียวกัน อุณหภูมิ 0 ปิดโหมดคิดสำหรับ Qwen checkpoint ทุกตัว และกำหนดโทเคนเอาต์พุต 2,048 โทเคนสำหรับโมเดลที่ไม่ใช่เอเจนต์ ผลลัพธ์ที่ดีที่สุดในสายนี้คือ GPT-5.6-Sol ที่ 61.08 และมีเพียงห้าโมเดลเท่านั้นที่ทำคะแนนเกิน 50

Qwen3.8-27B ทำได้ 44.81 โดยรวม: 43.84 ในภาษาอังกฤษ จาก attribute 40.25, counting 54.26 และ OCR 45.49 และ 45.78 ในภาษาจีน ZoomGain-4B ซึ่งอยู่ในตารางการฝึกมากกว่าตาราง benchmark ทำได้ 55.81 ตัวเลขทั้งสองเป็นคะแนนรวมสองภาษาภายใต้กฎการให้คะแนนเดียวกัน ดังนั้นนี่จึงเป็นการจับคู่ที่ใกล้เคียงกับการควบคุมมากที่สุดเท่าที่การเปิดตัวนี้มีให้ และบนการจับคู่นี้ 4B ชนะไป 11.00 คะแนน

• พารามิเตอร์ 4.54B เทียบกับ 27.78B — ความแตกต่าง 6.1 เท่าในทิศทางที่ทำให้ผลลัพธ์น่าประหลาดใจ

• แต่ละตัวถูกสร้างขึ้นมาเพื่อทำอะไร ZoomGain-4B คือ Qwen3.5-4B ที่ผ่านการฝึก GRPO หนึ่ง epoch บนคำถามที่ขุดได้ 9,000 ข้อ, 140 steps, batch 64, แปด rollouts ต่อคำถาม, learning rate 1e-6, ไม่มีพจน์ KL Qwen3.8-27B เป็นโมเดล dense ทั่วไปที่มีโหมดการให้เหตุผล, การเรียกใช้เครื่องมือ และเส้นทางวิดีโอ

• ข้อมูลการฝึก. 9,000 คำถามสำหรับตัวหนึ่ง ส่วนอีกตัวหนึ่งคือคลังข้อมูลก่อนฝึกและหลังฝึกทั้งหมดของ Alibaba ซึ่งไม่เปิดเผยขนาด

• ความพร้อมใช้งาน ZoomGain-4B: พรีซิชัน GGUF สามแบบ และไฟล์โปรเจกเตอร์แยกต่างหาก ไม่มีเอนด์พอยต์แบบโฮสต์ Qwen3.8-27B: เวต Apache 2.0, บิลด์ FP8, ยอดดาวน์โหลด 7.4 ล้านครั้ง และเอนด์พอยต์ที่คุณเรียกใช้งานได้วันนี้

การเปรียบเทียบที่บทความนั้นสร้างขึ้นจริง

นี่คือส่วนที่หายไปเมื่อการเปิดตัวถูกลดทอนเหลือเพียง "4B beats 27B" งานวิจัยนี้จำเป็นต้องมี baseline สำหรับข้อมูลของตัวเอง และมันก็ใช้หนึ่งตัว: ZwZ ซึ่งเป็นชุดข้อมูลการรับรู้แบบละเอียดของ ICML 2026 ที่สร้างขึ้นด้วยการกลั่นจากภูมิภาคไปยังภาพ ทั้งสองฝ่ายได้รับการปฏิบัติอย่างเหมือนกันทุกประการ มีการสุ่มภาพหนึ่งหมื่นสองพันภาพและสร้างคำถาม 23,610 ข้อ benchmark เลือกไป 1,000 ข้อ ส่วนที่เหลือให้คู่คำถามที่จับคู่กับภาพจำนวน 8,746 คู่ และ 254 คู่ถูกทำซ้ำในทั้งสองฝ่ายเพื่อให้แต่ละชุดมี 9,000 ข้อ ภาพเดียวกัน checkpoint ฐานเดียวกัน ไฮเปอร์พารามิเตอร์เดียวกัน และ 140 สเต็ปเดียวกัน ตัวแปรเดียวคือคำถาม

ข้อมูล ZoomGain ชนะข้อมูล ZwZ ในทุกมิติที่บทความรายงาน บน Qwen3.5-4B คะแนน held-in ขยับจาก 40.99 เป็น 55.81 และค่าเฉลี่ย held-out จากสิบสาม benchmark ขยับจาก 58.94 เป็น 63.96; บน Qwen3.5-9B ตัวเลขคู่เดียวกันคือ 44.07 เป็น 55.48 และ 62.53 เป็น 66.10 นี่คือผลลัพธ์จริงที่ควบคุมมาอย่างดีเกี่ยวกับวิธีที่คุณสร้าง supervision และเป็นผลงานที่ชื่อเรื่องของบทความกำลังสื่อถึง

Qwen3.8-27B ไม่ได้มีส่วนช่วยต่อข้อโต้แย้งนั้นเลย มันปรากฏเพียงครั้งเดียว ในฐานะแถวเดียวในบรรดาโมเดลอื่นอีก 27 โมเดลที่ถูกทดสอบมาตรฐาน มันเป็นไม้บรรทัดวัด — โมเดลอเนกประสงค์ที่มีความสามารถซึ่งถูกวัดบนการกระจายข้อมูลที่ไม่มีใครฝึกมันไว้ — ไม่ใช่คู่แข่ง ข้อความในบทความเองระบุชัดเจนว่าช่องโหว่ที่มันใช้ประโยชน์นั้นเป็นเรื่องที่พบร่วมกัน: ตัวลวงที่เป็นข้อผิดพลาดจากมุมมองภาพรวมคิดเป็น 71.7% ของคำตอบที่ไม่ถูกต้องทั้งหมดในทั้ง 28 โมเดล สูงกว่า 54.5% ที่การเลือกแบบสุ่มจากตัวเลือกจะให้ผล และโมเดลแบบปิดสี่โมเดลที่ไม่มีส่วนในการสร้างชุดทดสอบมาตรฐานนี้แสดงพฤติกรรมเดียวกันที่ 75.7% เทียบกับ 57.4% ที่คาดไว้

การทดสอบแบบ ablation เป็นข้อโต้แย้งที่แข็งแกร่งที่สุดต่อพาดหัว

ผู้เขียนได้ทำการตรวจสอบความสมเหตุสมผลกับตนเองอย่างตรงไปตรงมา และผลลัพธ์ก็คือตารางที่ให้ข้อมูลมากที่สุดในบทความ พวกเขาเทรนใหม่บนคำถาม 9,000 ข้อชุดเดิมสองครั้ง โดยในแต่ละครั้งจะตัดหนึ่งในสองทางเลือกการออกแบบที่กำหนดไปป์ไลน์ของพวกเขาออก ได้แก่ กฎที่ว่าคำถามจะต้องสร้างจากรายละเอียดที่มองไม่เห็นในภาพเต็มเท่านั้น และขั้นตอนการสร้างตัวลวงโดยเฉพาะ

• ไปป์ไลน์แบบเต็มรูปแบบ ZoomGainBench 55.81; ส่วนค่าเฉลี่ยจากเกณฑ์วัดแบบ held-out ทั้งสิบรายการที่ ablation รายงานอยู่ที่ 60.96

• ลบตัวลวงเฉพาะออกแล้ว ZoomGainBench 46.85 — ลดลง 8.96 คะแนนในการทดสอบแบบ held-in — และค่าเฉลี่ยสิบเบนช์มาร์ก 59.14 ซึ่งลดลง 1.82

• หลักฐานส่วนเพิ่มถูกลบออกแล้ว ZoomGainBench 49.71 ลดลง 6.10 — และค่าเฉลี่ยของสิบเกณฑ์มาตรฐาน 58.57 ลดลง 2.39

การเลือกการออกแบบทั้งสองอย่างมีมูลค่าหกถึงเก้าคะแนนบน ZoomGainBench และประมาณสองคะแนนในส่วนอื่นทั้งหมด ผู้เขียนให้เหตุผล plainly ว่า การเอาตัวลวงที่ออกแบบมาโดยเฉพาะออกไป “ทำให้เกิดการลดลงมากที่สุดบน held-in ZoomGainBench” เพราะ “ตัวเลือกของเบนช์มาร์กถูกสร้างขึ้นโดยใช้ไปป์ไลน์เดียวกัน” กล่าวอีกนัยหนึ่ง ประมาณสามในสี่ของคะแนนที่เพิ่มขึ้นในพาดหัวบนเบนช์มาร์กที่สร้างตัวเลขพาดหัวนั้น คือการที่โมเดลเรียนรู้ที่จะตอบคำถามชนิดที่ไปป์ไลน์เขียนขึ้น ไม่ใช่การเรียนรู้ที่จะมองเห็นได้ดีขึ้น

ในสิบสามเบนช์มาร์กที่การฝึกไม่เคยแตะ Qwen3.5-4B เพิ่มจาก 57.86 เป็น 63.96 — 6.10 คะแนนจากตัวอย่าง 9,000 ตัวอย่าง — โดยมีการเพิ่มขึ้นสูงสุดในตระกูลเดียวกับที่ไปป์ไลน์กำหนดเป้าหมายไว้พอดี: HR-Bench 4K 81.25 เป็น 87.25, V*Bench 81.68 เป็น 90.05, VisualProbe 43.30 เป็น 57.28, O3-Bench 54.20 เป็น 63.19 มีหนึ่งเบนช์มาร์กที่ถอยลง: TreeBench, 49.38 เป็น 49.14, หนึ่งในห้าของคะแนน MMStar ซึ่งเป็นชุดทดสอบมัลติโมดัลทั่วไป ขยับจาก 66.80 เป็น 72.53 และ BabyVision ยังคงต่ำที่ 21.13

โปรไฟล์นั้นเป็นลักษณะเฉพาะของการแทรกแซงแบบแคบ ๆ และเป็นโปรไฟล์ที่คุณควรใช้ในการวางแผน โมเดลเก่งขึ้นในการจัดการกับสิ่งเล็ก ๆ ในฉากหนึ่ง ๆ但它ไม่ได้กลายเป็นโมเดลที่เก่งรอบด้านมากขึ้น และเลขคณิตที่บอกว่าเป็นเช่นนั้นก็คือเลขคณิตบนเบนช์มาร์กของมันเอง

สิ่งที่ benchmark ถามจริง ๆ เพราะนั่นคือสิ่งที่คุณกำลังจะซื้อ

หากการใช้งานที่ตั้งใจไว้คือการตรวจสอบรายละเอียดปลีกย่อย องค์ประกอบของชุดทดสอบย่อมสำคัญกว่าคะแนนโดยรวม และการวิเคราะห์ข้อผิดพลาดในบทความก็ลงรายละเอียดในเรื่องนี้ได้เป็นรูปธรรมอย่างผิดปกติ

• จุดยึดขนาดเล็กมีอิทธิพลเหนือกว่า ความแม่นยำเพิ่มขึ้นตามสัดส่วนของภาพที่รายละเอียดซึ่งถูกสอบถามครอบครอง สำหรับทุกกลุ่มโมเดล เมื่อเฉลี่ยจากทั้ง 28 กลุ่ม ค่าเพิ่มขึ้นจาก 28.9% ในควอไทล์ที่เล็กที่สุด ซึ่งจุดยึดครอบคลุมพื้นที่น้อยกว่า 0.4% ของภาพ ไปเป็น 55.2% ในควอไทล์ที่ใหญ่ที่สุด

• การนับในที่นี้คือการนับจำนวนน้อย คำถามการนับ 67 จาก 94 ข้อมีคำตอบจริงไม่เกินสาม และ 71.6% ของคำตอบตัวเลขที่ผิดคลาดเคลื่อนไปหนึ่งพอดี ความยากอยู่ที่การจัดการกับกรณีเล็กๆ ไม่กี่กรณี ไม่ใช่การแจกแจงกรณีจำนวนมาก

• การรู้จำคุณลักษณะเป็นหมวดหมู่ที่ยาก โดยให้คะแนนต่ำที่สุดสำหรับ 23 จาก 28 โมเดล และการเดาแบบกระจายเท่ากันในทุกตัวเลือกก็จะได้ประมาณ 21.5% อยู่แล้ว

• โหมดความล้มเหลวคือการแทนที่ด้วยสิ่งที่ดูสมเหตุสมผลตามฉาก ในกรณีที่มีการบันทึกไว้กรณีหนึ่ง การประเมิน 46 จาก 56 ครั้งเรียกวัตถุสีขาวบนแผงหน้าปัดของรถบรรทุกว่าสีส้ม — ซึ่งอาจเป็นสีของเสื้อกั๊กที่คนงานซึ่งยืนอยู่ด้านหน้าวัตถุนั้นสวมอยู่ ในอีกกรณีหนึ่ง การประเมินเกือบทั้งหมดระบุชื่อแบรนด์อุปกรณ์ฮอกกีแทนโลโก้ที่พิมพ์อยู่บนเสื้อผ้าจริง ๆ โมเดลไม่ได้พูดว่า "ฉันมองไม่เห็นมัน" แต่ตอบจากบริบท

รูปแบบความล้มเหลวนั้นเป็นข้อโต้แย้งเชิงปฏิบัติสำหรับการฝึกประเภทนี้ เพราะมันเป็นรูปแบบเดียวกับที่ทำให้ไปป์ไลน์เอกสารผิดอย่างเงียบ ๆ เมื่อเจอใบแจ้งหนี้ที่สแกน และยังเป็นข้อโต้แย้งสำหรับการวัดค่านี้ด้วย: โมเดลที่แทนที่คำตอบด้วยคำตอบที่ดูสมเหตุสมผลจะสร้างผลลัพธ์ที่ดูมั่นใจ ดังนั้นจึงไม่มีอะไรในปลายน้ำจับได้

ที่ซึ่ง Qwen3.8-27B อยู่ในห้องอื่น

44.81 เป็นตัวเลขจริง และยังเป็นตัวเลขเดียวในบทความนี้ที่ Qwen3.8-27B ถูกประเมิน ณ ที่นี้ การ์ดของโมเดลเองรายงานชุดเรื่องที่แตกต่างออกไปโดยสิ้นเชิง และไม่มีสิ่งใดในนั้นที่เปรียบเทียบกับตัวเลขของ ZoomGain ได้ เพราะทั้งสองโมเดลไม่เคยถูกนำไปรันบนฮาร์เนสเดียวกันสำหรับสิ่งเหล่านั้น

• การเขียนโค้ดแบบเอเจนติก Terminal Bench 2.1 ที่ 73.0, SWE-bench Pro 61.7, LiveCodeBench v6 90.3, QwenSWEBench 79.0 — ทั้งหมดเป็นข้อมูลที่ผู้จำหน่ายรายงานบนการ์ดของ Q​wen เอง พร้อมทั้งเผยแพร่บันทึกเกี่ยวกับฮาร์เนสไว้เคียงข้างกัน

• การให้เหตุผลและการใช้คอมพิวเตอร์ GPQA Diamond 89.2, HLE 30.8, OSWorld-Verified 84.3, WebArena-Verified 64.8.

• งานมัลติโมดัล OmniDocBench 1.5 ได้ 91.1, การให้เหตุผล CharXiv 83.7 โดยไม่มีการฉีด chain-of-thought และ 90.2 เมื่อมีการฉีด, RealWorldQA 85.9, MathVision 90.0.

• ขอบเขตความสามารถ เปิด Thinking เป็นค่าเริ่มต้นด้วย reasoning_effort ที่ระดับ xhigh, medium หรือ low, คงการคิดไว้ข้ามเทิร์น, การเรียกใช้เครื่องมือแบบเนทีฟ, เอาต์พุตแบบมีโครงสร้าง, อินพุตวิดีโอ, รองรับ 262,144 ตำแหน่งแบบเนทีฟ และขยายได้ถึงหนึ่งล้านตำแหน่ง

ZoomGain-4B ยังไม่ได้รับการประเมินบนงานใดในกลุ่มนี้เลย และคาดว่าจะทำได้ไม่ดีในงานใด ๆ เหล่านี้ด้วย: การฝึกของมันไม่เคยแตะโค้ด งานในเทอร์มินัล เอกสาร หรือแผนภูมิเลย นอกจากนี้ยังไม่มีรายงานการประเมินในโหมดคิด — ฮาร์เนสของรีลีสนี้เองรันโดยปิดการคิดที่อุณหภูมิ 0 ดังนั้นทุกสิ่งที่เผยแพร่เกี่ยวกับมันจึงอธิบายพฤติกรรมการตอบโดยตรงของมัน ค่า 44.81 ของ Qwen3.8-27B วัดด้วยวิธีเดียวกัน โดยใช้ enable_thinking=false ซึ่งเป็นสิ่งเดียวที่ทำให้การเปรียบเทียบยุติธรรม และเป็นสิ่งเดียวที่ทำให้โหมดที่ดีที่สุดของ Qwen ไม่ถูกทดสอบ

พูดตรง ๆ ว่า บนแกนที่ ZoomGain-4B ถูกฝึกมาเพื่อมัน ตัวมันชนะ และบนแกนที่ Qwen3.8-27B ถูกสร้างมาเพื่อ ตัว 4B ไม่ได้อยู่ในแวดวงนั้นเลย ทั้งสองอย่างนี้ไม่ใช่เรื่องน่าประหลาดใจ และการมองอย่างใดอย่างหนึ่งว่าเป็นเรื่องราวทั้งหมดคือวิธีที่หน้าเปรียบเทียบจะกลายเป็นไร้ประโยชน์

ค่าใช้จ่ายในการตั้งแต่ละแห่ง และแห่งเดียวที่คุณโทรหาได้วันนี้

นี่คือจุดที่ทั้งสองแตกต่างกันในลักษณะที่ชี้ขาดเรื่องการนำไปใช้งานจริง มากกว่าผลการทดสอบมาตรฐาน

ZoomGain-4B ไม่มี hosted endpoint ที่ไหนเลย สิ่งที่มีอยู่คือ repository BF16 ซึ่งมีพารามิเตอร์ 4.54 พันล้านตัว กระจายอยู่ใน language model และ vision encoder แยกต่างหาก และมี GGUF สามบิลด์: Q4_K_M ขนาด 2.71 GB, Q8_0 ขนาด 4.48 GB และ F16 ขนาด 8.42 GB โดยแต่ละตัวจับคู่กับ mmproj projector ของตัวเอง — 0.23 GB, 0.36 GB และ 0.67 GB ตามลำดับ — ซึ่งการ์ด GGUF ระบุว่าจำเป็นสำหรับการป้อนภาพ การรันมันหมายถึงใช้ llama-mtmd-cli หรือ llama-server จากบิลด์ llama.cpp ที่ใหม่พอที่จะรู้จัก Qwen3.5 multimodal; การรันที่ความแม่นยำเต็มหมายถึง vLLM 0.19.1 กับ transformers 5.7.0 ไม่มีบิลด์ MLX ไม่มี ONNX ไม่มี draft model สำหรับ speculative decoding และไม่มีผู้ให้บริการให้ fallback หากบิลด์ของคุณพัง

Qwen3.8-27B อยู่ในแคตตาล็อกของ OrcaRouter และเราเรียกใช้น้ำหนักโมเดลเหล่านั้นบนโครงสร้างพื้นฐานของเราเอง แทนที่จะขายต่อ endpoint ของคนอื่น — นี่คือเหตุผลที่ราคาบนหน้ารุ่นของเราคือราคาจริง โดยไม่มีส่วนบวกเพิ่มซ้อนทับ และไม่มีราคาตามรายการของผู้ขายรายใดถูกบวกเพิ่มคั่นกลาง$0.33 ต่อล้านโทเค็นอินพุต และ $2.40 ต่อล้านโทเค็นเอาต์พุต โดยรองรับข้อความ รูปภาพ และวิดีโอเป็นอินพุต คอนเท็กซ์ 262,144 โทเค็น และคีย์เดียว คีย์เดียวกันยังเข้าถึง Qwen3.8-Flash ที่ $0.15 และ $0.47 ต่อล้าน ด้วยหน้าต่างหนึ่งล้านโทเค็น และ Qwen3.8-Max ที่ $2.00 และ $6.00 ดังนั้นงานที่เติบโตเกิน 27B หรือต้องการหน้าต่างที่ยาวขึ้นจึงย้ายได้โดยไม่ต้องมีสัญญาที่สองหรือแก้ไขโค้ด การสลับเมื่อเกิดความล้มเหลวคือส่วนที่สำคัญสำหรับงานในรูปแบบโปรดักชัน: ผู้ให้บริการที่หยุดชะงักจะมีการลองใหม่ก่อนที่การตอบสนองจะเริ่ม แทนที่จะเป็นหลังจากคำขอของคุณหมดเวลา

ZoomGain-4B ไม่ได้อยู่ในแคตาล็อกนั้น และไม่สามารถเรียกใช้ผ่านเราได้ มันคือโฟลเดอร์ของเวตที่คุณต้องให้บริการเอง และคำแนะนำฉบับตรงไปตรงมาจะต้องเริ่มต้นจากตรงนั้น

ใครควรลงมือทำ และอะไรที่ยังไม่ได้รับการยืนยัน

หากคุณมีงานที่ใช้ภาพจำนวนมากซึ่งคำตอบขึ้นอยู่กับรายละเอียดเล็ก ๆ — เช่น หมายเลขอะไหล่บนฉลาก สีบนหน้าจอ หรือจะมีสกรูสองตัวหรือสามตัว — โมเดล 4.54B ที่ผ่าน RL มาเฉพาะสำหรับเรื่องนั้น โดยรันในเครื่องที่ 2.71 GB ใน Q4_K_M ถือเป็นความเห็นที่สองราคาถูกที่น่าเชื่อถือให้รันคู่กับโมเดลทั่วไปที่โฮสต์ไว้ ไม่ใช่ใช้แทนโมเดลนั้น และรูปแบบความล้มเหลวของผู้เชี่ยวชาญคือการแทนที่อย่างมั่นใจ ซึ่งเป็นความล้มเหลวแบบเดียวกับที่การตรวจสอบโดยโมเดลทั่วไปจับได้ และในทางกลับกัน

ถ้าภาระงานของคุณคือเอกสาร กราฟ ภาพหน้าจอ วิดีโอ โค้ด หรือเอเจนต์ 27B คือรุ่นที่คุณควรเรียกใช้ และคะแนน 44.81 บนเบนช์มาร์กด้านรายละเอียดปลีกย่อยที่ไม่มีใครฝึกมันมาเพื่อสิ่งนั้น ก็ไม่ใช่เหตุผลที่จะคิดเป็นอย่างอื่น

สิ่งที่ยังไม่ได้รับการยืนยัน และควรจับตามองมากกว่าที่จะสันนิษฐานว่า:

• สัญญาอนุญาตของน้ำหนักโมเดล Apache 2.0 ครอบคลุมเฉพาะโค้ด ส่วนเช็กพอยต์นั้นไม่มีแท็กสัญญาอนุญาตกำกับ และการ์ดโมเดลได้แต่อ้างอิงถึง "ข้อกำหนดของแต่ละชุดข้อมูลและเช็กพอยต์" โดยไม่ได้ระบุข้อกำหนดเหล่านั้นไว้เลย จนกว่าประเด็นนี้จะได้รับการคลี่คลาย การนำไปใช้งานเชิงพาณิชย์จึงเป็นการหารือกับทนายความ ไม่ใช่แค่การติ๊กช่อง

• การทำซ้ำใด ๆ ตัวเลขทั้งหมดข้างต้นเป็นข้อมูลที่ผู้เขียนรายงานเอง ซึ่งสร้างขึ้นบนฮาร์เนสของผู้เขียนเอง benchmark และ evaluator เป็นสาธารณะ จึงตรวจสอบได้ แต่ยังไม่มีผู้ใดนอก Ant Group และ Zhejiang University ตรวจสอบสิ่งนี้

• ส่วนที่เพิ่มขึ้นจะขยายผลออกไปนอกเหนือจากไปป์ไลน์ได้หรือไม่ ตัวเลขจากชุดที่กันไว้ต่างหากคือสิ่งที่ควรเชื่อถือ พวกมันไม่สูงนัก — 6.10 คะแนนเหนือค่าเฉลี่ยจากสิบสามเกณฑ์วัดของโมเดลฐาน — และเอนเอียงอย่างหนักไปทางกลุ่มงานละเอียดที่การฝึกมุ่งเป้าไว้ การถ่ายโอนสิ่งนั้นไปยังภาพของคุณหรือไม่เป็นคำถามเปิดที่การเปิดตัวครั้งนี้ไม่ได้ให้คำตอบ

• ยังใช้งานได้ดีที่ Q4 หรือไม่ คำเตือนบนการ์ด GGUF ระบุว่าการควอนไทซ์อาจส่งผลต่อความแม่นยำ และยังไม่มีผลงานใดที่เผยแพร่ออกมาซึ่งเปรียบเทียบบิลด์ที่ผ่านการควอนไทซ์กับเช็กพอยต์ BF16 บน ZoomGainBench สำหรับโมเดลที่คุณค่าทั้งหมดอยู่ที่รายละเอียดปลีกย่อย นั่นคือการทดลองที่ต้องทำก่อนที่คุณจะไว้วางใจไฟล์ขนาด 2.71 GB