
ZoomGain-4B đã được phát hành vào ngày 11 tháng 11 mà không có bất kỳ thông báo nào đi kèm.
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 90 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 97 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaMỚIOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 88 tok/s
- OrcaMỚIOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 133 tok/s
- OrcaMỚIOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 trên 1 triệu token · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 trên 1 triệu token · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Trí tuệ
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Trí tuệ
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 trên 1 triệu token · 185 tok/s
Commit đầu tiên trong inclusionAI/ZoomGain được đóng dấu 2026-11-09 lúc 02:13 UTC và thông điệp của nó là "Release ZoomGain init." Các trọng số cho ZoomGain-4B xuất hiện trên Hugging Face vào 2026-11-10 lúc 11:38 UTC. Danh mục arXiv, bộ đánh giá và kho ngữ liệu học tăng cường đã tạo ra nó đều mang ngày 2026-11-11, cùng ngày thẻ mô hình được chỉnh sửa lần cuối. Điều chưa xuất hiện, ở bất cứ đâu tôi có thể tìm thấy, là một bài đăng ra mắt. Không có mục tin tức nào trên trang của inclusionAI, không có thông báo nào trên hồ sơ Hugging Face của tổ chức ngoài chính kho lưu trữ, không có endpoint được lưu trữ, và không có đưa tin từ bất kỳ ai. ZoomGain-4B là một mô hình ngôn ngữ-thị giác được xây dựng bằng học tăng cường trên nền Qwen3.5-4B, và tính đến sáng nay, những người duy nhất biết nó tồn tại là những người tình cờ xem một danh sách kho lưu trữ. Đây là một bài viết dựa trên những gì repo nói: mọi con số dưới đây hoặc là dấu thời gian bạn có thể tự kiểm chứng hoặc là một con số mà chính các tác giả đưa lên thẻ của họ, và những chỗ mà chỉ thế là chưa đủ đều được đánh dấu rõ.
Đối với một độc giả muốn nắm hình dạng của nó trước khi đi vào chi tiết: mô hình là một checkpoint đa phương thức 4,54 tỷ tham số, trả lời các câu hỏi trắc nghiệm về chi tiết thị giác tinh tế — văn bản nhỏ trong một bức ảnh, số lượng đối tượng trong một cảnh lộn xộn, một thuộc tính chỉ đọc được khi bạn phóng vào. Tuyên bố của các tác giả là một mô hình thị giác khi nhìn vào toàn bộ hình ảnh sẽ bỏ sót những chi tiết mà nó có thể đọc hoàn toàn tốt khi cùng vùng đó được phóng to, và khoảng cách này có thể được biến thành tín hiệu huấn luyện. Sau đó họ xây dựng một benchmark 1,000 câu hỏi từ chính bộ máy đó, và trên benchmark này mô hình 4B đã huấn luyện đạt 55.81 so với 30.03 của mô hình mà nó được huấn luyện từ đó. Hai con số đó là toàn bộ lập luận, và chúng đi kèm một lưu ý mà chính bài báo nêu ra: benchmark được xây dựng bằng cùng pipeline với dữ liệu huấn luyện, thứ mà bài báo gọi là “held-in”.
Điều gì đã được triển khai, và các mốc thời gian nói lên điều gì
Bản phát hành hoàn thiện đến bất thường so với một thứ mà chẳng ai công bố. Sáu tạo tác, tất cả trong cửa sổ 48 giờ:
• Bài báo.“ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision,” arXiv 2611.14076, được gửi ngày 10 tháng 11 năm 2026, bởi Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao và Jianwei Yin. Bảy tác giả, cs.CV và cs.AI.
• Checkpoint 4B. inclusionAI/ZoomGain-4B, safetensors ở định dạng BF16. Siêu dữ liệu tệp ghi nhận 4,539,265,536 tham số. Apache 2.0 cho mã nguồn; thẻ mô hình chuyển các điều khoản về checkpoint và bộ dữ liệu đến kho lưu trữ riêng của chúng.
• Checkpoint 9B. inclusionAI/ZoomGain-9B, 9.409.813.744 tham số, được tạo ra bốn phút sau mô hình anh em nhỏ hơn của nó.
• Các bản dựng lượng tử hóa. ZoomGain-4B-GGUF đã ra mắt vào 2026-11-11 lúc 03:09 UTC với ba mức chính xác cùng các projector thị giác tương ứng: Q4_K_M ở 2,71 GB, Q8_0 ở 4,48 GB, F16 ở 8,42 GB, mỗi bản đều có tệp mmproj cho bộ mã hóa hình ảnh. Bản 9B GGUF ra mắt sau đó.
• Bộ đánh giá. inclusionAI/ZoomGainBench, 1.000 câu hỏi trên 941 hình ảnh, văn bản tiếng Anh và tiếng Trung cho mỗi mục, cùng với một đáp án tham chiếu, một quy tắc tính điểm và một hộp giới hạn bằng chứng theo tọa độ điểm ảnh.
• Dữ liệu huấn luyện. inclusionAI/ZoomGain-RL-Data, 9.000 bản ghi và 7.713 ảnh nguồn ở định dạng Parquet, cùng với siêu dữ liệu phần thưởng mà script huấn luyện mong đợi.
Sự im lặng không phải là điều bí ẩn và cũng không có gì đáng ngại. Đó là dáng vẻ của một bản phát hành nội bộ trong nhóm nghiên cứu khi bài báo đã được thông qua trên arXiv trước khi bất kỳ ai viết bài blog. Các dấu hiệu đều ở đó: ba commit vào sáng ngày 11 tháng 11 đều có tiêu đề "update readme" cách nhau mười bốn phút, kho GitHub có ba sao và không có trường mô tả nào được điền, cả hai kho checkpoint đều hiển thị 0 lượt tải xuống và 0 lượt thích, và trang mô hình 4B mang cảnh báo về siêu dữ liệu YAML trống hoặc bị thiếu. Không có gì trong số đó là bằng chứng về mô hình. Đó là bằng chứng về việc triển khai.

Phương pháp, qua ba bước
Phần thú vị của ZoomGain không phải là mô hình, mà là cách các câu hỏi được tạo ra. Quy trình chạy qua ba giai đoạn và chỉ giai đoạn đầu tiên là thông thường.
• Định vị mục tiêu.Nhiều mô hình độc lập định vị một vùng được mô tả trong toàn cảnh. Khi chúng đồng ý, sự đồng thuận đó được xem là vùng cắt đáng giữ lại. Việc dùng sự bất đồng làm bộ lọc có nghĩa là điểm mù của bất kỳ mô hình đơn lẻ nào cũng không định nghĩa tập mục tiêu.
• Khai thác bằng chứng. Chú thích của cùng một vùng được so sánh ở hai mức thu phóng. Bất cứ điều gì phần cắt tiết lộ mà ảnh đầy đủ không tiết lộ đều được biến thành một câu hỏi về ảnh đầy đủ. Đây là cơ chế tạo ra khoảng cách “global-to-zoom” mà tiêu đề nhắc đến: câu hỏi có thể trả lời được, nhưng chỉ khi mô hình phân giải được điều gì đó ở rìa nhận thức của nó.
• Xác minh và tạo phương án nhiễu. Câu trả lời được đối chiếu chéo với ảnh cắt, các câu hỏi mơ hồ bị loại bỏ, những câu hỏi có thể trả lời mà hoàn toàn không cần đến hình ảnh cũng bị loại bỏ, và các phương án nhiễu trắc nghiệm được tạo ra. Phân tích ablation cho thấy bước cuối cùng này thực sự có tác dụng — việc loại bỏ các phương án nhiễu chuyên dụng làm mất 8.96 điểm trên bộ đánh giá held-in, mức giảm đơn lẻ lớn nhất mà bài báo báo cáo.
Bản thân việc huấn luyện không có gì lạ. GRPO thông qua framework EasyR1 đi kèm, một epoch, batch size 64, tám rollout cho mỗi câu hỏi, tức là 140 bước trên 9.000 bản ghi. Repository có sẵn một smoke test chạy một bước duy nhất bao gồm rollout, reward và lưu checkpoint, cùng các launcher đầy đủ cho cả hai kích thước. PyTorch 2.10, FlashAttention 2.8.3, vLLM 0.19.1 và transformers 5.7.0 — tất cả đều được ghim phiên bản, và đó chính là khác biệt giữa một repository tái lập được và một repository chỉ mô tả mà thôi.
Con số quan trọng, và lưu ý khiến nó nhỏ đi
ZoomGainBench cố ý khó. Mô hình mạnh nhất trên đó là GPT-5.6-Sol với 61,08 tổng thể, và đó là 61,08 trên 100 ở các câu hỏi trắc nghiệm về ảnh. Claude-Opus-5 đứng ở 59,86, Gemini-3.6-Flash ở 59,41. Mô hình thị giác tổng quát mở tốt nhất trong bảng, Qwen3.8-Flash-Next với 125 tỷ tham số, đạt 55,05. Một mô hình 4 tỷ tham số được huấn luyện trên 9.000 mẫu đạt 55,81 — cao hơn mô hình tổng quát 125B, cao hơn Kimi-K3 với 2,8 nghìn tỷ tham số, cao hơn GLM-5.3-Flash với 320 tỷ.
Nếu con số đó đứng vững khi tiếp xúc với một bộ khung đánh giá độc lập thì đó sẽ là câu chuyện nổi bật của tháng. Hiện tại thì chưa, vì một lý do mà bài báo nói thẳng ra. ZoomGainBench được xây dựng bởi cùng pipeline đã tạo ra dữ liệu huấn luyện, và chính bảng ablation trong bài báo liệt kê nó dưới một cột có tiêu đề "Held-in." Các câu hỏi không phải là câu hỏi huấn luyện, nhưng chúng được lấy từ cùng một phân phối bởi cùng một bộ máy. Một mô hình được tinh chỉnh trên phân phối đó có một lợi thế mà một mô hình được đánh giá zero-shot không có, và độ lớn của lợi thế đó chính xác là thứ mà hiện nay không ai bên ngoài inclusionAI có thể đo được.
Bằng chứng trên tập giữ lại ít ngoạn mục hơn và thuyết phục hơn. Bài báo cáo mức trung bình trên mười benchmark giữ lại: 54.20 cho Qwen3.5-4B chưa huấn luyện, 60.96 cho 4B được huấn luyện bằng ZoomGain. Mức tăng trung bình 6.76 điểm trên các benchmark mà quá trình huấn luyện chưa từng thấy là một kết quả thực sự. Chỉ là nó không phải cùng một tuyên bố như việc đánh bại một mô hình 2.8 nghìn tỷ tham số.
Cũng đáng lưu ý rằng lợi thế này không đồng đều. Khi so sánh 4B với mô hình nền của chính nó trên bảng chính trong bài báo:
• Mức tăng lớn. Visual Probe từ 43,30 lên 57,28. O3-Bench từ 54,20 lên 63,19. Zoom Bench từ 48,88 lên 59,88. HR-Bench 4K từ 81,25 lên 87,25. BabyVision từ 14,69 lên 21,13.
• Mức tăng vừa phải. MME-RealWorld-Lite 57.89 đến 61.59. MMStar 66.80 đến 72.53. HR-Bench 8K 77.63 đến 83.88. MMVP 57.33 đến 61.33.
• Một trường hợp hồi quy. “Tree” kiểu TreeBench cho kết quả 49,38 trước huấn luyện và 49,14 sau huấn luyện. Mức giảm 0,24 điểm, nằm gọn trong nhiễu, nhưng nó có mặt trong bảng chứ không bị bỏ ra ngoài, đây là dấu hiệu tốt về bảng.

Điều gì thực sự chưa được xác nhận?
Bốn điều, và chúng quan trọng hơn lời tuyên bố miễn trừ thông thường.
Không có đánh giá độc lập nào tồn tại. Không một con số nào từ bên thứ ba. Con số 55,81, mức trung bình 60,96, con số 90,25 mà mô hình 9B đạt được trên HR-Bench 4K — tất cả đều là việc tác giả tự đo mô hình của chính họ trên bộ công cụ của chính họ. Điều đó là bình thường đối với một bài báo và không phải là bằng chứng cho thấy có gì đó sai. Nhưng điều đó đúng là có nghĩa rằng các con số nên được đọc như những lời khẳng định.
Không có endpoint được lưu trữ. Cả hai checkpoint đều không liệt kê nhà cung cấp dịch vụ suy luận. Không có API, không có playground, không có bảng giá. Nếu bạn muốn dùng mô hình này trong tháng tới, bạn sẽ phải tải xuống 8,42 GB và tự chạy nó.
Tên gọi không khớp với số lượng tham số ở ba điểm. Mô hình được gọi là 4B, thẻ GGUF ghi 4B, huy hiệu kho lưu trữ ghi 5B, và tổng safetensors thực tế là 4,54B. Nửa tỷ thừa ra là bộ mã hóa thị giác và bộ chiếu, đây là lời giải thích thông thường — nhưng một tấm thẻ không thể giữ một con số nhất quán ngay từ ngày đầu tiên thì chưa được hiệu đính, và đó là điều hợp lý để cân nhắc khi bạn đang quyết định xem nên tin bao nhiêu phần còn lại.
Không có tuyên bố về ý định. Liệu sẽ có bản 30B? Một phiên bản chạy trên máy chủ? Một v2 với bộ đánh giá held-out? Không có gì trong kho lưu trữ đề cập đến điều đó. Nhật ký cập nhật của README liệt kê ba dòng, tất cả đều ghi ngày 2026.11.11, tất cả đều mô tả những gì đã được phát hành chứ không phải những gì sẽ đến tiếp theo.

Vận hành nó, ngay hôm nay, không cần nhà cung cấp
Con đường GGUF là hướng thực tế và có một điều kiện tiên quyết nghiêm ngặt: bạn cần một bản dựng llama.cpp có hỗ trợ đa phương thức Qwen3.5. Thẻ nêu rõ rằng mô hình ngôn ngữ và mmproj bộ chiếu là các tệp riêng biệt và đầu vào hình ảnh yêu cầu cả hai. Ví dụ CLI truyền -m cho mô hình, --mmproj cho bộ chiếu, --image cho ảnh và chạy ở nhiệt độ 0 với tính năng suy nghĩ bị tắt, đây cũng là mặc định của bộ khung đánh giá. llama-server hoạt động theo cùng cách trên cổng 8080. Ở Q4_K_M, bạn đang giữ 2,71 GB mô hình ngôn ngữ cộng với bộ chiếu, vừa vặn thoải mái trên máy tính xách tay; ở F16, bạn ở mức 8,42 GB cộng với bộ chiếu, tức là một máy trạm hoặc một GPU tầm trung duy nhất.
Đối với bất kỳ khối lượng công việc nào ở quy mô lớn, vLLM 0.19.1 với transformers 5.7.0 là ngăn xếp được hỗ trợ, và script đánh giá của chính kho lưu trữ nhận một MODEL_PATH, một danh sách GPUS và một công tắc LANGUAGE để chỉ chạy tiếng Anh, chỉ chạy tiếng Trung, hoặc cả hai cho 2.000 tác vụ. Như vậy là đủ khung để tái tạo các con số đã báo cáo trên phần cứng của riêng bạn, điều mà hầu hết các bản phát hành ít được chú ý không làm được.
Nếu bạn không muốn dựng một GPU chỉ để tìm hiểu xem hướng tiếp cận này có đáng giá hay không, thì bước tạm thời trung thực là tạo nguyên mẫu vòng lặp cắt-và-hỏi với một mô hình thị giác được lưu trữ mà bạn có thể gọi ngay hôm nay. Danh mục của chúng tôi có Qwen3-VL-8B với giá $0,18 cho đầu vào và $0,70 cho đầu ra trên mỗi triệu token, cùng dòng Qwen3.5 từ qwen3.5-35b-a3bở mức $0,057 và $0,459 trở lên — một khóa, không cần hợp đồng riêng cho từng nhà cung cấp, và một quy tắc định tuyến tự chuyển sang mô hình thứ hai nếu mô hình đầu bị treo. Bản thân ZoomGain-4B không có trong danh mục của chúng tôi và tôi sẽ không giả vờ điều ngược lại; mục đích của việc đi đường vòng qua dịch vụ lưu trữ là xác định xem các câu hỏi về chi tiết nhỏ có phải là điểm mà sản phẩm của bạn thực sự làm sai hay không, trước khi bạn dành một tuần cho một mô hình 4B tự lưu trữ mà chỉ trả lời chúng tốt hơn mô hình cha của nó.
Điều gì sẽ biến điều này từ một sự tò mò thành một quyết định?
Ba tín hiệu, theo thứ tự về lượng thông tin mà chúng sẽ cho bạn biết. Thứ nhất, một lần chạy độc lập ZoomGainBench do một người không có lợi ích gì trong pipeline thực hiện — benchmark là công khai, harness nằm trong repository, và rào cản tham gia chỉ là một GPU và một buổi chiều, nên điều này có khả năng xảy ra trước bất kỳ điều nào khác. Thứ hai, một phần mở rộng held-out: nếu các tác giả trả lời phản đối hiển nhiên bằng cách đánh giá trên một benchmark mà họ không tham gia xây dựng, thì 55.81 không còn là con số về tập kiểm thử của chính họ nữa. Thứ ba, một triển khai được host, điều này sẽ cho bạn biết rằng các trọng số thực sự có thể phục vụ được với độ trễ chấp nhận được chứ không chỉ đơn thuần là có thể tải xuống.
Cho đến khi một trong những điều đó thành hiện thực, cách mô tả đúng về ZoomGain-4B không phải là “mô hình thị giác nhỏ đánh bại mô hình tiên phong”. Mà là: một nhóm nghiên cứu đã công bố một công thức huấn luyện giúp nâng một mô hình thị giác 4B thêm trung bình 6,76 điểm trên mười bộ đánh giá mà nó không được huấn luyện, đồng thời công bố một bộ đánh giá cho thấy cùng thủ thuật đó tạo ra một con số lớn hơn nhiều trên các câu hỏi được xây dựng theo cùng cách. Nửa đầu là phát hiện. Nửa sau là tiếp thị, và nó xuất hiện mà không có thông cáo báo chí, ít nhất đó cũng là một trật tự mới mẻ cho hai thứ đó xuất hiện.
