ZwZ2-4B ถูกปล่อยออกมาโดยไม่มีการเปิดตัว: สิ่งที่การ์ดโมเดลบอก และสิ่งที่มันไม่บอก

ZwZ2-4B รีโพซิทอรีนี้ถูกสร้างขึ้นเมื่อวันที่ 15 ตุลาคม 2026 เวลา 06:11 UTC และ ณ เช้าวันนี้ มีดาวน์โหลดเป็นศูนย์และมีไลก์เป็นศูนย์ นั่นไม่ใช่เรื่องแปลกสำหรับเช็กพอยต์ที่ยังไม่มีใครประกาศ สิ่งที่แปลกคือมันยังมีการ์ดโมเดลที่สมบูรณ์ด้วย: ส่วนวิธีการ คำอธิบายข้อมูลการฝึก บล็อกควิกสตาร์ต และผลลัพธ์หลักที่อ้างว่าได้ 25 เบนช์มาร์กและปรับปรุงขึ้น 5.38 จุดเมื่อเทียบกับ Qwen3.5-4B ซึ่งเป็นโมเดลต้นทางที่ใช้ไฟน์ทูน inclusionAI เผยแพร่เอกสารโดยไม่เผยแพร่ประกาศ การ์ดมีอยู่ แต่ข่าวประชาสัมพันธ์ไม่มี และความแตกต่างระหว่างสองสิ่งนั้นคือเรื่องราวทั้งหมดของเช็กพอยต์นี้

บทความนี้จงใจจำกัดขอบเขตอย่างแคบในสิ่งที่มันจะยืนยัน ทุกอย่างด้านล่างที่ทำเครื่องหมายว่าเป็นข้อเท็จจริงจากรีโพซิทอรีนั้นอ่านมาจากไฟล์โดยตรง — การตั้งค่า ดัชนีน้ำหนัก รายการชุดข้อมูล และการ์ดตัวแบบเอง ทุกอย่างที่ทำเครื่องหมายว่าเป็นคำกล่าวอ้างของผู้จำหน่ายคือตัวเลขของ inclusionAI เอง ซึ่งนำมาเสนอซ้ำในฐานะคำกล่าวอ้าง ไม่ใช่ในฐานะผลลัพธ์ ยังไม่มีการประเมินที่เป็นอิสระต่อ ZwZ2-4B อยู่จริง และใครก็ตามที่บอกคุณเป็นอย่างอื่นก็แค่อ่านการ์ดนั้นกลับมาให้คุณฟัง

อะไรที่เกิดขึ้นจริง และเมื่อวันที่เท่าไร

ครอบครัว ZwZ2 มาถึงในช่วงเวลาประมาณยี่สิบสามชั่วโมงครึ่ง โดยเรียงตามขนาดจากเล็กไปใหญ่ ZwZ2-4B มาเป็นตัวแรก เมื่อวันที่ 15 ตุลาคม เวลา 06:11 UTC ZwZ2-9B ตามมาในวันที่ 16 ตุลาคม เวลา 03:42 ZwZ2-27B ปิดชุดนี้ในเวลา 05:42 เช้าวันเดียวกัน ชุดข้อมูลฝึก inclusionAI/ZwZ2-RL-VQA ปรากฏขึ้นสามวันต่อมาในวันที่ 19 ตุลาคม รีโพซิทอรีทั้งสาม ชุดข้อมูล และคอลเลกชันของครอบครัวนี้ล้วนมีเวลาประทับเป็นวันนี้ 27 ตุลาคม — ซึ่งเป็นการบำรุงรักษาล่าสุดของครอบครัวที่ยังไม่มีประกาศสาธารณะใด ๆ แนบมาด้วย

สิ่งที่ไม่เกิดขึ้น: ไม่มีโพสต์บนบล็อกของ inclusionAI และไม่มีกระทู้ประกาศเปิดตัว สามเช็กพอยต์นั้นมีคอลเลกชันร่วมกัน Zooming-without-Zooming-v2 ซึ่งมีสี่รายการ แต่คอลเลกชันเป็นคอนเทนเนอร์มากกว่าจะเป็นการประกาศ รีโพซิทอรี GitHub ที่เก็บโค้ดรุ่นแรกยังไม่ได้รับการอัปเดตเลย — ยังระบุโมเดลสี่ตัวคือ ZwZ-2B, ZwZ-4B, ZwZ-7B และ ZwZ-8B ซึ่งทั้งหมดสร้างบนแบ็กโบน Qwen3-VL ตระกูล v2 ไม่ได้อยู่ในนั้น หากคุณไปหาโค้ดที่สร้าง ZwZ2-4B คุณจะเจอโค้ดของรุ่นก่อนหน้า และ README ที่นั่นจะไม่กล่าวถึงโมเดลที่คุณถืออยู่

ข้อกล่าวอ้าง ที่กล่าวไว้ในฐานะข้อกล่าวอ้าง

การ์ดของ inclusionAI รายงานความแม่นยำโดยรวมที่ 49.41 สำหรับโมเดลฐาน และ 54.79 สำหรับ ZwZ2-4B โดยวัดจากเบนช์มาร์ก 25 รายการที่จัดกลุ่มเป็นหกโดเมน การ์ดระบุว่าโมเดลดีขึ้นในทุกเบนช์มาร์กเหล่านั้น และค่าเฉลี่ยโดยรวมและรายโดเมนให้น้ำหนักกับแต่ละเบนช์มาร์กเท่ากัน หกโดเมนที่ระบุชื่อได้แก่ การรับรู้ระดับละเอียด การให้เหตุผลเชิงพื้นที่ ความเข้าใจบริบทยาว เอเจนต์มัลติโมดัล และการให้เหตุผลเชิงภาพทั่วไป บวกกับกลุ่มระดับละเอียดที่เป็นตัวเลขพาดหัว

ตัวเลขสองตัวนี้คือข้อสนับสนุนเชิงปริมาณทั้งหมดสำหรับโมเดล คะแนนรายเบนช์มาร์กปรากฏอยู่บนหน้าในรูปแบบภาพ—ไฟล์ PNG และ SVG—มากกว่าเป็นข้อความ ซึ่งหมายความว่าผลลัพธ์ตัวแทนแปดรายการและผลลัพธ์ทั้งหมดยี่สิบห้ารายการนั้นมองเห็นได้ แต่เครื่องอ่านไม่ได้ ชุดเบนช์มาร์กหนึ่งเดียวที่บรรยายเป็นความเรียงคือ MMLongBench* โดยแกนหลักด้านภาพระบุเป็น V-RAG, Image MM-NIAH และ VH-Multi บนงานที่ไม่ใช่ Counting มากกว่า 25 งาน การ์ดยังระบุด้วยว่าความละเอียดของภาพสำหรับ "advanced models" ถูกจำกัดโดยแพลตฟอร์มที่ให้บริการ ซึ่งเป็นข้อแม้ที่สมเหตุสมผลและยังเป็นเครื่องเตือนใจว่าคะแนนด้านการรับรู้ภาพนั้นส่วนหนึ่งเป็นการบ่งชี้ว่าภาพไปถึงโมเดลได้อย่างไร

ค่าเฉลี่ย +5.38 จาก 25 เบนช์มาร์กเป็นการกล่าวอ้างที่ยิ่งใหญ่สำหรับโมเดลระดับ 4B และยังเป็นข้อกล่าวอ้างแบบที่ผู้ขายอยู่ในตำแหน่งที่ดีที่สุดที่จะกล่าวอ้าง และแย่ที่สุดที่จะตรวจสอบยืนยัน เพราะผู้ขายเป็นผู้เลือกชุดเบนช์มาร์ก การถ่วงน้ำหนัก และความละเอียดด้วยตนเอง จงมอง 54.79 เป็นตัวเลขที่ต้องทำให้ได้ซ้ำ ไม่ใช่ตัวเลขที่ใช้วางแผน

วิธีการ: ผ่านครั้งเดียว ไม่ซูม ไม่ใช้ SFT

ไปป์ไลน์การฝึกอบรมมีชื่อว่า EvidenceConnect และเป็นรุ่นที่สองของแนวคิดที่ห้องแล็บเผยแพร่เมื่อต้นปีนี้ภายใต้ชื่อ "Zooming without Zooming" หลักการตั้งต้นคือการรับรู้ภาพระดับละเอียดมักได้รับการแก้ไข ณ เวลาอนุมาน — ครอบตัดพื้นที่นั้น ถามคำถามซ้ำ ทำซ้ำ — และวิธีนี้มีต้นทุนสูงและเปราะบาง ในทางกลับกัน ZwZ2 สอนโมเดลให้ใส่ใจกับหลักฐานระดับพื้นที่ภายใน forward pass เพียงครั้งเดียว

การสร้างดำเนินการในสี่ขั้นตอน ตามที่การ์ดอธิบายไว้ พื้นที่ที่เกี่ยวข้องจะถูกจัดกลุ่ม โดยมีภาพละสามถึงเจ็ดพื้นที่ ซึ่งดึงมาจาก {{1}}SA-1B{{/1}} คำถามถูกสร้างขึ้นโดยอ้างอิงมุมมองซูมแบบพิเศษของพื้นที่เหล่านั้น ดังนั้นผู้เขียนคำถามจึงมองเห็นรายละเอียดที่โมเดลนโยบายจะไม่มีทางเห็นในตอนอนุมาน คำถามเหล่านั้นจะถูกกรองสองครั้ง — ด้วยความสอดคล้องข้ามโมเดล และด้วยการทดสอบตัดหนึ่งพื้นที่ซึ่งตรวจสอบว่าการนำพื้นที่ออกไปนั้นเปลี่ยนคำตอบจริงหรือไม่ คำถามที่ผ่านการตรวจสอบแล้วจะกลายเป็นงานแบบเลือกตอบสี่ตัวเลือก และโมเดลได้รับการฝึกด้วย {{2}}GRPO{{/2}} ทั้งนี้ไม่มีขั้นตอนการปรับแต่งแบบมีผู้สอนเลยแม้แต่ขั้นตอนเดียว

ในขั้นตอนการอนุมาน นโยบายจะเห็นภาพเต็มที่มีเส้นขอบพื้นที่สีวาดอยู่ ครอปแบบ privileged มีอยู่เฉพาะระหว่างการสร้างข้อมูลเท่านั้น แต่ละขนาดโมเดลในตระกูลนี้ใช้ตัวอย่างการฝึกประมาณ 20,000 ตัวอย่าง; การ์ดชุดข้อมูลระบุตัวเลขที่แน่นอนไว้ที่คำถามแบบหลายตัวเลือก 20,662 ข้อ ดาวน์โหลด 5 ครั้ง และวันที่สร้าง 19 ตุลาคม

การออกแบบนี้มีผลที่มองเห็นได้ชัดหนึ่งประการซึ่งควรแจ้งให้ผู้ที่วางแผนจะประเมินทราบ โมเดลที่ฝึกด้วยคำถามปรนัยแบบสี่ตัวเลือกเท่านั้นกำลังถูกปรับให้เหมาะกับรูปแบบงานที่ไม่เหมือนกับการสร้างคำบรรยายแบบปลายเปิดหรือการถามตอบเชิงภาพแบบอิสระเลย หากงานของคุณต้องให้เขียนย่อหน้าหนึ่งย่อหน้าเกี่ยวกับภาพ เช็กพอยต์นี้ไม่ได้ถูกฝึกมาเพื่อสิ่งนั้น และส่วนข้อจำกัดบนการ์ดก็ระบุไว้เช่นนั้น: รายละเอียดที่แต่งขึ้นเอง ข้อความที่อ่านผิด ข้อผิดพลาดในการนับ ข้อผิดพลาดเชิงพื้นที่

สิ่งที่การตั้งค่านี้พิสูจน์ โดยไม่ขึ้นกับห้องแล็บ

มีข้อเท็จจริงประเภทหนึ่งที่คุณไม่จำเป็นต้องเชื่อโดยไม่ตรวจสอบ เพราะมันคือการคำนวณทางคณิตศาสตร์บนไฟล์ที่เผยแพร่แล้ว ZwZ2-4B มีพารามิเตอร์ 4,539,265,536 ตัวใน BF16 เก็บเป็นไฟล์ safetensors ไฟล์เดียวขนาด 9.08 GB หน้า Hugging Face ปัดเศษเป็น "5B" ซึ่งถือว่าใจกว้าง ดัชนีระบุว่า 4.54B โมเดลฐานของมันคือ Qwen3.5-4B มีพารามิเตอร์ 4,659,865,088 ตัว — ดังนั้นโมเดลที่ได้มาจึงมีพารามิเตอร์ประมาณ 120.6 ล้านตัว เล็กกว่าโมเดลต้นทางที่ใช้ฝึก

ความแตกต่างนั้นมีคำอธิบายที่ชัดเจนในคอนฟิก Qwen3.5-4B ประกาศชั้นทำนายหลายโทเคนหนึ่งชั้น ส่วน ZwZ2-4B ประกาศเป็นศูนย์ หัวสำหรับการถอดรหัสแบบคาดเดาถูกนำออกไปแล้ว หากถอดหัว MTP ออกจากเช็กพอยต์ขนาด 4.6B คุณจะได้ค่าที่เกือบตรงกับช่องว่างที่สังเกตได้พอดี นี่คือการแก้ไขแบบเดียวกับที่รุ่นพี่น้อง 9B มีอยู่ และเป็นหลักฐานที่ดีที่สุดเท่าที่มีว่าสิ่งเหล่านี้เป็นอนุพันธ์ที่ผ่านการฝึกภายหลัง ไม่ใช่โมเดลที่เพิ่งฝึกใหม่

ส่วนที่เหลือของสแต็กไม่เปลี่ยนแปลงจากฐาน:

• ความลึก — 32 เลเยอร์ในทั้ง ZwZ2-4B และ Qwen3.5-4B

• ความกว้าง — ขนาดซ่อน 2,560, ขนาดกลาง 9,216

• Attention — query head 16 หัว เทียบกับ KV head 4 หัว, มิติ head 256, ตาราง linear-to-full แบบ 3:1 (linear layer 24 ชั้น, full 8 ชั้น)

• คำศัพท์ — 248,320 โทเคน, การฝังแบบผูกน้ำหนัก

• บริบท — 262,144 ตำแหน่ง, M-RoPE แบบแบ่ง 11/11/10, ตัวคูณการหมุนบางส่วน 0.25

• เสาวิสชัน — 24 เลเยอร์ที่ hidden 1,024, ขนาดแพตช์ 16, การรวมเชิงพื้นที่แบบ 2×2

• รันไทม์ — transformers 5.13.1, ตัวระบุสถาปัตยกรรม Qwen3_5ForConditionalGeneration

แชตเทมเพลตนี้คุ้มค่าที่จะพูดถึงสักบรรทัด เพราะมันเปลี่ยนวิธีที่โมเดลทำงานตั้งแต่เริ่มใช้งานเลย เทมเพลตที่เผยแพร่ออกมาทำงานในโหมดไม่คิด (non-thinking mode) และสั่งให้โมเดลใส่คำตอบสุดท้ายไว้ภายในแท็ก <answer> หากคุณโหลดเทมเพลตนี้ด้วยฮาร์เนส VLM ทั่วไปที่คาดหวังข้อความอิสระ คุณจะได้แท็กติดอยู่ในเอาต์พุตและสงสัยว่าทำไม

สิ่งที่บัตรไม่ได้บอกคุณ

ช่องว่างสามจุดสำคัญยิ่งกว่าสิ่งใดก็ตามที่บัตรระบุ

เรื่องแรกคือสัญญาอนุญาต รีพозиторийไม่มีไฟล์ LICENSE และไม่มีแท็กสัญญาอนุญาต ถ้อยคำบนการ์ดเองอ้างอิงไปที่ "สัญญาอนุญาตที่มาพร้อมกับน้ำหนักที่เผยแพร่และสัญญาอนุญาตของ backbone ที่เกี่ยวข้อง" — แต่ไม่มีไฟล์สัญญาอนุญาตที่มาพร้อมให้อ้างอิงถึง backbone คือ Qwen3.5-4B อยู่ภายใต้ Apache-2.0 ดังนั้นการตีความที่น่าจะเป็นไปได้มากที่สุดคือโมเดลอนุพันธ์สืบทอดสัญญาอนุญาตนี้ไปด้วย "น่าจะเป็น" ไม่เหมือนกับ "ประกาศไว้อย่างชัดเจน" และการตรวจสอบทางกฎหมายจะไม่ยอมรับประโยคบนการ์ดที่ชี้ไปยังไฟล์ที่ไม่มีอยู่จริง

อย่างที่สองคือเปเปอร์ วิธี v2 — EvidenceConnect, ตัวกรอง drop-one-region และการเทรนแบบ GRPO-only — ยังไม่มีเอกสารเผยแพร่ต่อสาธารณะ ลิงก์เปเปอร์บนการ์ดยังคงเป็น placeholder ตามตัวอักษรว่า PAPER_URL ตัวระบุ arXiv เดียวที่ผูกกับรีโพซิทอรีคือ 2602.11858 ซึ่งเป็นเปเปอร์รุ่นแรกที่อธิบาย region-to-image distillation บน backbone Qwen3-VL: เป็นวิธีที่ต่างกัน ตระกูลโมเดลฐานที่ต่างกัน และชุดตัวเลขที่ต่างกัน การ์ดชุดข้อมูลสืบทอดตัวระบุเดียวกันนี้ ดังนั้นแท็กจึงแพร่กระจายความไม่ตรงกันออกไป

ข้อที่สามคือการไม่มีการวัดผลที่เป็นอิสระใด ๆ ไม่มีกระดานจัดอันดับใดให้คะแนน ZwZ2-4B ไม่มีการทำซ้ำผล และตัวนับการดาวน์โหลดยังไม่ขยับจากศูนย์ โมเดลหนึ่งสามารถยอดเยี่ยมและยังไม่ถูกวัดผลในเวลาเดียวกันได้ ประเด็นมีเพียงว่า ยังไม่มีสิ่งใดนอกห้องแล็บที่ยืนยันค่า 54.79 ได้

กับดักการตั้งชื่อที่คุณกำลังจะเดินเข้าไป

หากคุณค้นหาโมเดลนี้ คุณจะพบอีกโมเดลหนึ่งก่อน โมเดลรุ่นแรกZwZ-4Bเป็นเช็กพอยต์จริงที่มีการบันทึกเอกสารไว้ สร้างขึ้นบน Qwen3-VL-4B และรายงานค่าเฉลี่ย 66.86 เทียบกับ 61.52 ของโครงข่ายแกนหลัก โดยมีคะแนน ZoomBench อยู่ที่ 55.74 ตัวเลขเหล่านี้ถูกอ้างอิงกันอย่างแพร่หลาย และไม่ใช่ตัวเลขของ ZwZ2-4B ตัวเลขเหล่านั้นเป็นของโมเดลฐานอื่น สูตรการฝึกอื่น และชุดเบนช์มาร์กอื่น

ชื่อทั้งสองแตกต่างกันเพียงอักขระเดียว ตารางเปรียบเทียบที่นำชื่อทั้งสองมาปนกันจะดูสอดคล้องกันเองแต่กลับผิด หากหน้าผู้ขายหรือแอ็กกรีเกเตอร์แสดง ZwZ2-4B ที่ 66.86 นั่นคือข้อผิดพลาดที่คุณกำลังพบอยู่

หากคุณต้องการโมเดลวิชันขนาดเล็กในสัปดาห์นี้

ZwZ2-4B ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และบทความนี้จะไม่แสร้งทำเป็นว่าเป็นเช่นนั้น มันเป็นเช็กพอยต์ที่คุณดาวน์โหลดและให้บริการด้วยตัวเอง ไม่มีเอนด์พอยต์แบบโฮสต์สำหรับโมเดลนี้ที่ใดก็ตามที่หน้า Hugging Face รับรอง และหน้านั้นระบุอย่างชัดเจนว่าไม่มีผู้ให้บริการ inference รายใดให้บริการโมเดลนี้

สิ่งที่แค็ตตาล็อกมีอยู่คือทางเลือกที่ใช้งานได้จริงสำหรับงานเดียวกัน: qwen/qwen3-vl-8b-instruct ในราคา $0.18 ต่ออินพุตหนึ่งล้านโทเค็น และ $0.70 ต่อเอาต์พุตหนึ่งล้านโทเค็น พร้อมบริบท 131K ให้บริการผ่าน endpoint ที่เข้ากันได้กับ OpenAI แบบเดียวกับอย่างอื่น ๆ หากแผนของคุณคือการประเมิน ZwZ2-4B เทียบกับ hosted vision baseline นั่นคือ baseline นั้น และการรันทั้งสองจากคีย์เดียวหมายถึงไลบรารีไคลเอนต์เดียวและบิลเดียวแทนการผสานรวมสองรายการ OrcaRouter กำหนดเส้นทางให้โมเดลกว่า 200 รุ่น พร้อมการ failover อัตโนมัติ ดังนั้นเส้นทางวิชันที่สร้างบน endpoint นั้นจึงไม่ขึ้นอยู่กับต้นทางเดียวที่จะคงสถานะสุขภาพดี

สำหรับโมเดลที่มียอดดาวน์โหลดเป็นศูนย์และไม่มีไฟล์ใบอนุญาต นั่นคือคำแนะนำที่ตรงไปตรงมา: เช่าการเปรียบเทียบ แต่เป็นเจ้าของการทดลอง

อะไรจะทำให้การประเมินนี้เปลี่ยนไป

สามเหตุการณ์ เรียงตามความสำคัญจากมากไปน้อย ไฟล์สัญญาอนุญาต ซึ่งจะเปลี่ยนสิ่งที่ไม่รู้ทางกฎหมายให้เป็นคำตอบทางกฎหมาย เอกสาร v2 ที่เปิดเผยต่อสาธารณะ ซึ่งจะทำให้ใครสักคนตรวจสอบการกรองของ EvidenceConnect ว่ามีการรั่วไหลหรือไม่ — การทดสอบแบบ drop-one-region เป็นความคิดที่ดี และความคิดที่ดีคือสิ่งที่ต้องได้รับการตรวจสอบอย่างยิ่ง และคะแนนจากบุคคลที่สามใด ๆ ก็ตาม เพราะเกณฑ์มาตรฐานที่ทำซ้ำได้เพียงหนึ่งรายการบนฮาร์เนสการประเมินที่เป็นกลางจะมีประโยชน์ต่อเช็กพอยต์นี้มากกว่าคำอีกพันคำในบัตร

จนกว่าหนึ่งในนั้นจะเป็นจริง ZwZ2-4B ก็เป็นโมเดลผู้เชี่ยวชาญด้านการรับรู้ขนาด 4.54B ที่มีเอกสารกำกับอย่างดี ยังไม่เปิดตัว และยังไม่ได้วัดผล ซึ่งการ์ดของโมเดลเองระบุว่าเอาชนะโมเดลฐานของตัวเองได้ 5.38 คะแนน นั่นเป็นคำกล่าวอ้างที่จริงจังและเฉพาะเจาะจง แต่มันยังไม่ใช่ผลลัพธ์ และความแตกต่างนี้คือสิ่งเดียวที่คุ้มค่าจะหยิบติดตัวออกจากรีโพซิทอรีนี้