ZoomGain-9B เปิดตัวโดยไม่มีการประกาศ: สิ่งที่รีโพซิทอรีระบุไว้จริง ๆ

เปเปอร์ถูกเผยแพร่บน arXiv เมื่อวันที่ 10 พฤศจิกายน 2026 Repository บน GitHub ถูกสร้างขึ้นก่อนหนึ่งวัน คือวันที่ 9 พฤศจิกายน และ commit แรกมีชื่อว่า "Release ZoomGain init" เวตของโมเดลปรากฏบน Hugging Face เมื่อวันที่ 10 พฤศจิกายน เวลา 11:42 UTC ตามด้วย repository แบบ GGUF เมื่อวันที่ 11 พฤศจิกายน เวลา 03:16 ไม่มีโพสต์บล็อกเปิดตัว ไม่มีประกาศจากผู้จำหน่าย ไม่มี endpoint แบบโฮสต์ และไม่มีแท็กสัญญาอนุญาตบน repository ของ checkpoint เอง นั่นคือบันทึกสาธารณะทั้งหมดของ ZoomGain-9B โมเดล vision-language ขนาด 9.4 พันล้านพารามิเตอร์จาก inclusionAI ซึ่งเป็นหน่วยงานด้านโมเดลเปิดของ Ant Group และเป็นเหตุผลที่ชิ้นงานนี้เขียนในลักษณะการอ่านจาก repository มากกว่าเรื่องราวการเปิดตัว

สิ่งที่ทำให้มันน่าจับตามองไม่ใช่ความเงียบงัน แต่เป็นเพราะรีโพซิทอรีนี้สมบูรณ์อย่างผิดปกติสำหรับสิ่งที่ไม่มีการประกาศใด ๆ: เปเปอร์ ชุดทดสอบ 1,000 คำถาม ชุดข้อมูล reinforcement learning 9,000 รายการ ตัวประเมิน ตัวเรียกใช้การฝึก checkpoint สองตัวที่ 4B และ 9B และการควอนไทซ์ GGUF สามแบบ ทั้งหมดนี้เผยแพร่ภายในเวลาราวสองวัน คุณสามารถอ่านวิธีการ รันการประเมินซ้ำ และทำการฝึกซ้ำได้ตั้งแต่วันนี้ สิ่งเดียวที่ขาดไปคือคนจากบริษัทออกมาบอกว่ามันมีอยู่จริง

สิ่งที่เกิดขึ้นจริงตามลำดับ

• 9 พฤศจิกายน 2026 — ที่เก็บ GitHub ของ inclusionAI ถูกสร้างขึ้น โดยมาพร้อมสัญญาอนุญาต Apache 2.0 และโค้ดสำหรับการสร้างข้อมูลและการฝึกโมเดล แต่ไม่รวมน้ำหนักโมเดล

• 10 พฤศจิกายน 2026 — arXiv:2611.14076v1, "ZoomGain: การขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมสำหรับการกำกับดูแลด้วยภาพระดับละเอียด" โดย Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao และ Jianwei Yin โดยมีสังกัดที่ Ant Group, Zhejiang University, Om AI Research และ Binjiang Institute

• 10 พฤศจิกายน 2026, 11:42 UTC — inclusionAI/ZoomGain-9B และ inclusionAI/ZoomGain-4B ถูกสร้างขึ้นบน Hub โดยแต่ละรุ่นมีไฟล์ safetensors แบบ BF16 ไฟล์เดียว ขนาด 18.82 GB และ 9.08 GB ตามลำดับ

• 11 พฤศจิกายน 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF ปรากฏพร้อมบิลด์ Q4_K_M, Q8_0 และ F16 รวมถึงไฟล์โปรเจกเตอร์ mmproj ที่เข้ากัน ซึ่งเป็นขั้นตอนที่เปลี่ยนเช็กพอยต์งานวิจัยให้กลายเป็นสิ่งที่แล็ปท็อปสามารถลองได้

รายละเอียดเล็กๆ ที่น่าสังเกต เพราะมันเป็นสิ่งประเภทที่การเปิดตัวแบบประสานงานกันจะไม่ก่อให้เกิด: ส่วน “Updates” ในโมเดลการ์ดระบุวันที่ของเปเปอร์ เบนช์มาร์ก ชุดข้อมูล และเช็กพอยต์ทั้งหมดเป็น 2026.11.11 ขณะที่เวลาสร้างรีโพซิทอรีและวันที่ส่งไปยัง arXiv ต่างระบุว่า 10 พฤศจิกายน การ์ดนี้ถูกเขียนขึ้นภายหลังในครั้งเดียวโดยคนที่กำลังจัดเก็บให้เรียบร้อย

แนวคิดนี้ ในย่อหน้าเดียว เพราะมันเป็นแนวคิดเดียวจริง ๆ

โมเดลภาพมักตอบคำถามเกี่ยวกับพื้นที่หนึ่งของภาพได้ แต่กลับล้มเหลวเมื่อพื้นที่เดียวกันนั้นปรากฏอยู่ในเฟรมเต็ม ผู้เขียนเรียกปรากฏการณ์นี้ว่าช่องว่างการรับรู้จากภาพรวมสู่การซูม (global-to-zoom perception gap) และเปลี่ยนมันให้เป็นสัญญาณกำกับ ขั้นที่หนึ่ง: โมเดลหลายตัวระบุตำแหน่งเป้าหมายที่อธิบายไว้ในฉากเต็มโดยอิสระ และความสอดคล้องกันของโมเดลเหล่านั้นชี้ให้เห็นพื้นที่ที่จะครอป ขั้นที่สอง: นำคำบรรยายของภาพที่ครอปมาเปรียบเทียบกับคำบรรยายของฉากเต็ม และรายละเอียดใดที่ภาพที่ครอปเผยให้เห็นแต่ภาพเต็มไม่เผย จะกลายเป็นคำถามที่ถามเกี่ยวกับภาพต้นฉบับ ขั้นที่สาม: ตรวจคำตอบซ้ำบนภาพที่ครอป กรองคำถามที่กำกวมและคำถามที่ตอบได้จากความรู้เชิงภาษาที่มีอยู่เดิมออก และสร้างตัวเลือกหลอกที่สมเหตุสมผลสำหรับรูปแบบปรนัย

การฝึกคือ GRPO บน 9,000 เรกคอร์ดที่สร้างจากภาพต้นฉบับ 7,713 ภาพ — หนึ่ง epoch, ขนาดแบตช์ 64, แปด rollout ต่อคำถาม — โดยใช้โค้ด EasyR1 ที่มาพร้อมกัน การประเมินใช้ค่าเริ่มต้นที่ temperature 0 โดยปิดการคิดของ Qwen3.5 และคำถาม OCR กับคำถามการนับยังคงเป็นแบบปลายเปิด ขณะที่คำถามเกี่ยวกับคุณลักษณะกลายเป็นแบบเลือกตอบ ไม่มีส่วนใดในนั้นที่ผิดปกติในตัวเอง สิ่งที่ผิดปกติคือไปป์ไลน์ที่สร้างข้อมูลฝึกก็สร้างเกณฑ์มาตรฐานด้วย และบทความระบุไว้อย่างชัดเจน

ตัวเลขสองตัวที่ไม่ใช่ตัวเลขเดียวกัน

บน ZoomGainBench — ชุดทดสอบมาตรฐานที่มีคำถาม 1,000 ข้อ มีภาพ 941 ภาพ และเป็นภาษาอังกฤษกับภาษาจีน ซึ่งสร้างขึ้นโดยกระบวนการเดียวกันนี้ — ZoomGain-9B ได้คะแนน 55.48 ส่วนโมเดลฐานของมันคือ Qwen3.5-9B ได้คะแนน 32.13 นั่นคือการเพิ่มขึ้น 23.35 คะแนนบนชุดทดสอบมาตรฐานที่ข้อมูลฝึกของโมเดลเองถูกขุดมาจาก และด้วยเหตุผลนี้เอง ทาง論文จึงตั้งชื่อคอลัมน์นั้นว่า "Held-in"

ตัวเลขที่ควรนำไปใช้ตัดสินใจคือค่าเฉลี่ยจากเกณฑ์วัด 13 รายการที่การฝึกไม่เคยแตะ ซึ่งไม่รวม ZoomGainBench: 66.10 สำหรับ ZoomGain-9B เทียบกับ 59.75 สำหรับ Qwen3.5-9B การเพิ่มขึ้นเฉลี่ย 6.35 จุดจากตัวอย่าง 9,000 ตัวอย่างเป็นผลลัพธ์ที่หนักแน่นและน่าเชื่อถือ ตัวเลขทั้งสองเป็นของจริง ทั้งสองตอบคำถามคนละคำถาม และหน้าใดก็ตามที่อ้าง 55.48 โดยไม่บอกว่า "held-in" กำลังบอกคุณเพียงครึ่งเดียว

ยังมีความแปลกประหลาดประการที่สองในตารางเดียวกันที่ดูเหมือนยังไม่มีใครสังเกตเห็น: รุ่นที่เล็กกว่าในตระกูลเดียวกันเอาชนะรุ่น 9B ได้บนเบนช์มาร์กแบบ held-in โดย ZoomGain-4B ได้ 55.81 บน ZoomGainBench เทียบกับ 55.48 ของรุ่น 9B ขณะที่แพ้ค่าเฉลี่ยแบบ held-out ที่ 63.96 ต่อ 66.10 บนเบนช์มาร์กที่สร้างจากการกระจายของการฝึก สองรุ่นนี้อยู่ในระดับเดียวกันภายในความคลาดเคลื่อนจากสัญญาณรบกวน; เมื่อออกจากการกระจายนั้น ขนาดก็กลับมาแสดงอิทธิพลอีกครั้ง หากคุณเลือกจากตัวเลขพาดหัวเพียงตัวเดียว คุณจะเลือกผิด

9,000 ตัวอย่างซื้ออะไรมา แยกตาม benchmark

ทั้งหมดต่อไปนี้เป็นตัวเลขที่ผู้เขียนรายงานจากตารางที่ 3 ของบทความ ซึ่งรันโดยฮาร์เนสของผู้เขียนเองบนตัวประเมินที่เผยแพร่ และไม่มีการทำซ้ำโดยอิสระโดยใครก็ตาม:

• HR-Bench 4K — 90.25 เพิ่มขึ้นจาก 82.13 นี่คือตัวเลขที่บทคัดย่อยกขึ้นมาเป็นประเด็นนำ และเป็นข้อกล่าวอ้างที่แข็งแกร่งที่สุดในเอกสารเผยแพร่นี้

• V*Bench — 93.19 เพิ่มขึ้นจาก 86.91 การตรวจจับวัตถุขนาดเล็กที่ความละเอียดสูง

• VisualProbe — 56.31 เพิ่มขึ้นจาก 44.66 เป็นการเพิ่มขึ้นเชิงสัมพัทธ์ที่มากที่สุดนอกเกณฑ์มาตรฐานที่รวมไว้ภายใน

• O3-Bench — 68.12 เพิ่มขึ้นจาก 56.52 การรับรู้และการให้เหตุผลหลายขั้นตอน

• MMVP — 70.00 เพิ่มขึ้นจาก 60.00 การทดสอบคลาสสิกของภาพคู่ที่แตกต่างกันในรายละเอียดเดียว

• MMStar — 73.87 เพิ่มขึ้นจาก 71.73 ความสามารถทั่วไปแบบมัลติโมดัล และเป็นการเพิ่มขึ้นที่น้อยที่สุดในชุดนี้

BabyVision — 17.53 เพิ่มขึ้นจาก 15.98 ยังคงใกล้ค่าต่ำสุด และเป็นเครื่องเตือนใจที่มีประโยชน์ว่าการเพิ่มขึ้นนั้นกระจุกตัวอยู่ในกลุ่มรายละเอียดปลีกย่อยมากกว่าที่จะกระจายอย่างสม่ำเสมอ

เมื่อพิจารณาประกอบกัน รูปแบบนี้สอดคล้องกับวิธีการมากกว่าการเพิ่มขึ้นของความสามารถโดยทั่วไป: เดลตาที่ใหญ่ที่สุดอยู่บนเบนช์มาร์กที่ให้รางวัลกับการค้นหาสิ่งเล็ก ๆ ภายในกรอบขนาดใหญ่ และเดลตาที่เล็กที่สุดอยู่บนเบนช์มาร์กที่ให้รางวัลกับความรู้โลกรอบด้านและการให้เหตุผลเชิงภาพแบบทั่วไป นั่นคือสิ่งที่การรัน RL แบบเจาะจงบนคำถามรายละเอียดที่ถูกครอป 9,000 ข้อควรมีลักษณะเป็น

สิ่งที่รู้ได้ สิ่งที่ถูกกล่าวอ้าง และสิ่งที่ยังไม่ได้รับการยืนยัน

สิ่งที่รู้ได้จากรีโพซิทอรีในวันนี้ โดยไม่ต้องเชื่อคำบอกเล่าของใคร: สถาปัตยกรรม เพราะคอนฟิกเป็นสาธารณะและระบุ text trunk Qwen3.5-9B ที่ 32 เลเยอร์ hidden size 4,096 intermediate 12,288 และตำแหน่งสูงสุด 262,144 ครอบด้วย vision tower; ข้อมูลฝึก เพราะ Parquet 9,000 เรกคอร์ดและภาพต้นฉบับจัดส่งมาเป็นชุดข้อมูล; วิธีการ เพราะพรอมป์อยู่ในภาคผนวกของเปเปอร์; และการประเมิน เพราะ evaluator แอนโนเทชัน และภาพทั้งหมดดาวน์โหลดได้

อ้างแล้วแต่ยังไม่ยืนยัน: คะแนน benchmark ทุกค่าข้างต้น บทความรายงานค่าเหล่านี้บน harness ที่เผยแพร่ ซึ่งทำให้ตรวจสอบได้ง่ายกว่าตารางของผู้ขายส่วนใหญ่ — คุณสามารถรันซ้ำได้ — แต่ยังไม่มีใครนอกเหนือจากรายชื่อผู้เขียนที่ทำเช่นนั้น และยังไม่มีห้องแล็บอิสระใดเผยแพร่ผลลัพธ์ของ ZoomGain-9B

ยังไม่ได้รับการยืนยันเลยแม้แต่น้อย และควรพูดตรง ๆ เกี่ยวกับเรื่องนี้:

• สัญญาอนุญาตของ checkpoint โค้ดเป็น Apache 2.0 และการ์ดระบุไว้เช่นนั้น จากนั้นการ์ดได้อ้างอิงข้อกำหนดของโมเดลและชุดข้อมูลไปยัง "การ์ดของ Hugging Face สำหรับข้อกำหนดของแต่ละชุดข้อมูลและ checkpoint" และที่เก็บ checkpoint ไม่มีแท็กสัญญาอนุญาตในเมทาดาทา Hub ของตน นั่นคือช่องว่างที่ต้องปิดโดยการอ่านไฟล์ก่อนที่คุณจะจัดส่ง ไม่ใช่คำมั่นที่คุณจะพึ่งพาได้

• ความยาวคอนเท็กซ์ การ์ดโมเดลไม่ได้ระบุไว้ ตำแหน่งสูงสุด 262,144 ตำแหน่งในคอนฟิกนั้นสืบทอดมาจากแกน Qwen3.5-9B ซึ่งไม่ใช่สิ่งเดียวกับคุณสมบัติที่ผ่านการทดสอบของเช็กพอยต์หลังการฝึก และการประเมินทุกครั้งในบทความใช้ภาพเดียวโดยปิดโหมด thinking

• พฤติกรรมผู้ช่วยทั่วไป ไม่มีการทดสอบแชต การเรียกใช้เครื่องมือ การสร้างเนื้อหายาว หรือการใช้งานหลายรอบในการทดสอบก่อนเผยแพร่ โมเดลได้รับการฝึกให้ตอบคำถามเกี่ยวกับภาพถ่าย และนั่นเป็นความสามารถเดียวที่มีหลักฐานรองรับ

• โฮสต์ใดก็ได้ การแมปผู้ให้บริการของ Hub สำหรับ repository ว่างเปล่า ไม่มี API ของผู้จำหน่ายและไม่มีเอนด์พอยต์ของบุคคลที่สามระบุไว้ ดังนั้น "try it" ในปัจจุบันจึงหมายถึง "download 18.82 GB"

จะรันมันสัปดาห์นี้ ถ้าคุณต้องการ

เส้นทาง GGUF เป็นตัวเลือกที่ประหยัดกว่า: บิลด์ Q4_K_M ขนาด 5.63 GB พร้อมโปรเจกเตอร์ mmproj ขนาด 0.52 GB หรือ 9.53 GB ที่ Q8_0 หรือ 17.92 GB ที่ F16 การป้อนภาพต้องใช้ทั้งสองไฟล์ — โปรเจกเตอร์ไม่ใช่ตัวเลือกเสริม และบิลด์ llama.cpp ที่รองรับมัลติโมดัลของ Qwen3.5 ถือเป็นข้อกำหนดเบื้องต้น เส้นทางอ้างอิงนั้นหนักกว่าแต่มีเอกสารประกอบดีกว่า: vLLM 0.19.1 กับ transformers 5.7.0 ซึ่งเป็นเวอร์ชันเดียวกับที่ผู้เขียนประเมินไว้พอดี บนเช็กพอยต์ BF16 ที่ต้องใช้การ์ดอย่างน้อย 24 GB และควรมีหัวเผื่อที่สบายกว่านั้นขึ้นไป

ควรเผื่องบประมาณสำหรับโปรโตคอลการประเมินเช่นเดียวกับน้ำหนักโมเดล ผู้เขียนรันที่ temperature 0 โดยปิด thinking และให้คะแนนคำถามด้านแอตทริบิวต์ด้วย exact match บนตัวเลือกที่เลือก ให้คะแนนการนับด้วย exact match บนจำนวนเต็มที่ทำนาย และให้คะแนน OCR ด้วย ANLS โดยมีเกณฑ์ขั้นต่ำ 0.7 หากคุณประเมินโดยเปิด thinking หรือใช้เทมเพลตพรอมป์ที่แตกต่างออกไป คุณกำลังวัดสิ่งที่ผู้เขียนไม่ได้รายงาน และไม่ควรคาดหวังว่าตัวเลขของพวกเขาจะถ่ายโอนมาใช้ได้

OrcaRouter ไม่ได้โฮสต์ ZoomGain-9B และบทความนี้ก็จะไม่แสร้งทำเป็นว่าเป็นอย่างอื่น สิ่งที่เรามีคือ คีย์เดียวที่ใช้ได้กับโมเดลกว่า 200 รุ่น ในราคาตามที่ผู้ให้บริการกำหนดโดยไม่บวกเพิ่ม ซึ่งสำคัญในที่นี้ด้วยเหตุผลที่เจาะจงและใช้ได้จริง: วิธีที่เร็วที่สุดในการค้นหาว่าข้อผิดพลาดในไปป์ไลน์ของคุณเป็นข้อผิดพลาดระดับรายละเอียดย่อยหรือไม่ คือการนำภาพชุดเดียวกันไปรันผ่านโมเดลวิชันที่โฮสต์ไว้ แล้วเปรียบเทียบเคสที่ล้มเหลว Qwen3-VL-8B-Instruct ในแคตตาล็อกของเรา ราคา 0.18 ดอลลาร์ต่อล้านโทเคนอินพุต และ 0.70 ดอลลาร์ต่อล้านโทเคนเอาต์พุต ที่บริบท 131K รองรับทั้งภาพและวิดีโอ และจะไม่เทียบเท่ากับโมเดลที่ฝึกด้วยคำถามจากการขุดภาพครอป — แต่จะบอกคุณได้ภายในบ่ายเดียวว่าคุ้มค่าที่จะซื้อ GPU หรือไม่

อะไรจะเปลี่ยนเรื่องราวนี้

สี่สิ่ง เรียงตามระดับผลกระทบจากน้อยไปมาก การประกาศจาก inclusionAI ซึ่งจะเปลี่ยนการอ่านรีโพซิทอรีให้กลายเป็นการเปิดตัว และน่าจะมาพร้อมคำชี้แจงเรื่องใบอนุญาต แท็กใบอนุญาตของ checkpoint ซึ่งจะคลี่คลายคำถามเดียวที่ปัจจุบันขวางการนำไปใช้เชิงพาณิชย์อยู่ endpoint แบบโฮสต์ ซึ่งจะขจัดอุปสรรค 18.82 GB สำหรับทุกคนที่ไม่มีฮาร์ดแวร์เอง และการประเมินโดยอิสระ ซึ่งเป็นสิ่งที่จะสร้างความเปลี่ยนแปลงได้จริง: ข้ออ้างที่ว่าโมเดล 9B ทำคะแนนได้ 90.25 บน HR-Bench 4K เป็นตัวเลขประเภทที่либоผ่านการตรวจสอบจากห้องแล็บที่สอง หรือไม่ก็หายไปเงียบ ๆ

จนถึงตอนนั้น สรุปตามตรงก็คือ ZoomGain-9B เป็นงานวิจัยที่เผยแพร่พร้อมเอกสารประกอบครบถ้วน มีวิธีการที่อ่านเข้าใจได้ มีชุดทดสอบที่ทำซ้ำได้ มีการแบ่ง held-in/held-out ที่ตรงไปตรงมาอย่างผิดปกติ และไม่มีบุคคลที่สามใดรับรองสิ่งใดในนั้นเลย ทั้งหมดนี้มากกว่าสิ่งที่การเปิดตัวแบบเงียบ ๆ ส่วนใหญ่มีให้ และน้อยกว่าความเป็นผลิตภัณฑ์