ZoomGain-4B vs MiniCPM5 2B: Tính di động là thước đo mà không ai công bố

Có một con số bị thiếu trong cả hai model card, và đó chính là con số quyết định phần lớn các lần triển khai. MiniCPM5-2Bđược phát hành dưới dạng các bản dựng GGUF, MLX, GPTQ và LiteRT, có một mô hình nháp DSpark để giải mã suy đoán, và — chi tiết cho bạn biết nhiều nhất — đi kèm các bản dựng FlagOS cho chín họ bộ tăng tốc khác nhau, bao gồm Ascend, Hygon, Kunlunxin và Metax. ZoomGain-4Bđược phát hành ở định dạng GGUF với ba mức độ chính xác và yêu cầu, theo đúng lời trong model card, “một bản dựng llama.cpp có hỗ trợ đa phương thức Q​wen3.5”. Một trong hai mô hình này chạy được gần như ở mọi nơi. Mô hình còn lại chạy ở nơi bạn có thể dựng được một runtime cụ thể. Không model card nào gọi đây là một benchmark, và với bất kỳ ai thực sự phải vận hành một mô hình thay vì chỉ trích dẫn nó, đây là dòng quan trọng hơn cột độ chính xác của cả hai mô hình.

Cách đặt vấn đề đó không phải là cách né tránh việc so sánh độ chính xác — phần đó sẽ đến sau, và hóa ra việc so sánh độ chính xác lại ít mang tính quyết định hơn vẻ ngoài của nó, bởi vì hai mô hình không được đo trên cùng một trục và không thể như vậy. MiniCPM5-2B của OpenBMB là một mô hình văn bản: 2,52 tỷ tham số, phát hành ngày 6 tháng 9 năm 2026, được tinh chỉnh cho tác nhân, gọi công cụ, mã và ngữ cảnh dài. ZoomGain-4B của inclusionAI là một chuyên gia ngôn ngữ-thị giác được công bố ngày 11 tháng 11 năm 2026, được huấn luyện bằng học tăng cường trên các câu hỏi về chi tiết thị giác tinh tế. Phần tiếp theo là những gì mỗi mô hình được đo, chi phí để triển khai mỗi mô hình, và ranh giới phân định trung thực nằm ở đâu.

Hàng còn thiếu: cần những gì để vận hành từng mục

Hãy bắt đầu với danh sách artefact, vì đó là thứ cụ thể nhất mà một trong hai nhà phát hành đã cung cấp cho bạn.

• MiniCPM5-2B. Một transformer nhân quả dense trên lớp LlamaForCausalLM tiêu chuẩn — 42 lớp, GQA với 16 đầu truy vấn và 2 đầu KV, ngữ cảnh 131.072 token, tổng cộng 2.516.756.480 tham số trong đó 1.981.982.720 là tham số không thuộc embedding. Vì kiến trúc là tiêu chuẩn, nó kế thừa mọi đường phục vụ mà bất kỳ ai đã viết cho các mô hình dạng Llama. Tổ chức phát hành các biến thể SFT, Midtrain và Base thành các kho lưu trữ riêng, cùng các bản lượng tử hóa GGUF, MLX và GPTQ, cùng một mô hình nháp DSpark cho giải mã suy đoán, cùng LiteRT cho Android trên thiết bị, cùng một mô hình anh em 1B với cùng bộ biến thể.

• ZoomGain-4B. 4.539.265.536 tham số ở BF16 trên một mô hình ngôn ngữ và một bộ mã hóa thị giác riêng. Ba độ chính xác GGUF — Q4_K_M ở 2,71 GB, Q8_0 ở 4,48 GB, F16 ở 8,42 GB — mỗi độ chính xác được ghép với một mmproj, một tệp projector mà card nói là bắt buộc cho đầu vào hình ảnh. Không có bản dựng MLX, không có GPTQ, không có ONNX, không có mô hình nháp. Runtime duy nhất được nêu tên là llama.cpp với hỗ trợ đa phương thức Qwen3.5, đây là một yêu cầu hẹp hơn vẻ ngoài của nó: bạn cần một bản dựng đủ mới để nhận biết kiến trúc qwen35, và card bảo bạn cung cấp cả hai tệp một cách tường minh thay vì trỏ đến một đường dẫn đã hoàn chỉnh.

Sự bất đối xứng này không phải là lời chỉ trích nhằm vào inclusionAI. Một mô hình thị giác được phát hành chín ngày trước và chưa từng được công bố thì không thể kỳ vọng có runtime Android. Đó đơn giản là hiện trạng, và điều đó có nghĩa là hai mô hình không thể thay thế cho nhau ở khía cạnh tốn tiền: MiniCPM5-2B sẽ chạy trên phần cứng bạn đã có, kể cả điện thoại; ZoomGain-4B sẽ chạy trên GPU, trong một runtime mà bạn có thể phải tự biên dịch, và không chạy ở đâu khác.

Hai định nghĩa khác nhau về “nhỏ”

Cả hai đều được gọi là mô hình nhỏ và từ “nhỏ” đang đảm nhiệm những vai trò khác nhau trong mỗi trường hợp.

• Tham số, được đếm một cách trung thực. MiniCPM5-2B có 1,98B tham số không tính embedding — con số chi phối lượng tính toán trên mỗi token — nằm trong tổng số 2,52B. ZoomGain-4B có tổng cộng 4,54B, và khoảng nửa tỷ trong đó là bộ mã hóa thị giác và bộ chiếu. Bỏ đi chồng thị giác, hai xương sống ngôn ngữ chỉ chênh nhau trong phạm vi sai số làm tròn, tức là cùng kích thước. Sự khác biệt về hành vi đến từ những gì được huấn luyện thêm lên trên, không phải từ quy mô.

• Quá trình huấn luyện nhắm đến điều gì.Thẻ của MiniCPM5-2B liệt kê các lĩnh vực mạnh nhất của nó là suy luận về mã và toán học, hiểu ngữ cảnh dài, sử dụng công cụ và các tác vụ tác nhân, đồng thời nêu mục tiêu của nó là trợ lý cục bộ, tác nhân lập trình và triển khai trên thiết bị. Thẻ của ZoomGain-4B chỉ nói về một điều: liệu một mô hình có thể trả lời một câu hỏi mà đáp án chỉ hiển thị khi bạn phóng to vào hình ảnh hay không.

• Những gì mỗi nhà phát hành đã chọn bàn giao. OpenBMB đã công bố toàn bộ chuỗi biến thể của MiniCPM5 — base, midtrained, SFT, bản cuối RL-plus-OPD, cùng một mô hình nháp và các bản nhị phân dựng sẵn cho chín dòng chip. inclusionAI đã công bố ba kho mô hình, hai bộ dữ liệu và một kho mã chứa pipeline xây dựng dữ liệu và các trình khởi chạy GRPO. Một bên là dòng sản phẩm; bên kia là bản phát hành nghiên cứu kèm theo sổ tay phòng thí nghiệm.

• Giấy phép. MiniCPM5-2B là Apache 2.0 trên card, áp dụng cho cả repository và weights. Mã của ZoomGain là Apache 2.0 và các điều khoản của checkpoint được dẫn chiếu sang repository checkpoint, mà tính đến tuần này không có thẻ giấy phép nào trong metadata của nó. Hãy đọc tệp trước khi bạn phát hành.

Các cột chuẩn đối sánh và lý do chúng không đáp ứng

Không có bất kỳ benchmark chung nào giữa hai mô hình này. Không một cái nào. ZoomGainBench là một bộ câu hỏi về ảnh chụp, và MiniCPM5-2B không có bộ mã hóa hình ảnh; mọi benchmark khác trong bảng của MiniCPM5 đều là văn bản, và ZoomGain-4B chưa từng được chạy trên bất kỳ benchmark nào trong số đó. Vì vậy, thay vì so sánh trực tiếp, đây là những gì mỗi nhà phát hành thực sự đo được, được cố ý giữ tách riêng.

MiniCPM5-2B, theo báo cáo của nhà cung cấp, trung bình 53,9 trên bộ kiểm thử của nó:

• Mã — LiveCodeBench v6 69.1, OJBench 32.5, SWE-bench Verified 46.4.

• Toán — AIME 2025 86.5, AIME 2026 86.5, MATH-500 94.6.

• Kiến thức — MMLU-Pro 70.8, GPQA-Diamond 70.2.

• Ngữ cảnh dài — AA-LCR 59.0, NoLiMa 68.1, LongBench v2 43.7.

• Sử dụng công cụ và tác nhân — τ²-Bench Telecom 97.1, BFCL v4 66.6, BrowseComp-ZH 43.5, GAIA Text-103 88.7.

ZoomGain-4B, theo báo cáo của nhà cung cấp:

• Khả năng nhận thức, benchmark held-in — 55.81 trên ZoomGainBench so với 30.03 của mô hình gốc Qwen3.5-4B.

• Nhận thức, trung bình trên tập held-out — 60.96 trên mười benchmark mà quá trình huấn luyện chưa từng thấy, so với 54.20 của mô hình gốc. Đó là mức tăng 6.76 điểm đáng để trích dẫn.

• Các bước held-out riêng lẻ — Visual Probe từ 43.30 đến 57.28, O3-Bench từ 54.20 đến 63.19, HR-Bench 4K từ 81.25 đến 87.25, MME-RealWorld-Lite từ 57.89 đến 61.59.

Đọc hai danh sách đó cạnh nhau và hình dạng của quyết định đã quá rõ. MiniCPM5-2B đã được kiểm thử trên mười bảy khía cạnh mà nhà phát triển quan tâm và đạt điểm khá tốt trên gần như tất cả; con số τ²-Bench Telecom là 97.1 và GAIA Text-103 là 88.7 là những con số nổi bật nhất và chúng là nền tảng cho định vị của nó. ZoomGain-4B đã được kiểm thử về nhận thức và hầu như không có gì khác, và mức tăng mà nó mang lại — khoảng bảy điểm trung bình, trên các benchmark chưa từng thấy — là có thật nhưng hẹp.

Nếu bạn chỉ cần một câu: MiniCPM5-2B là một mô hình nhỏ đa dụng với bảng điểm chuẩn sâu bất thường, còn ZoomGain-4B là một mô hình chuyên biệt mà mức tăng trung bình bảy điểm của nó sẽ vô hình trên bảng xếp hạng đa dụng, vì bảng xếp hạng đa dụng không chứa những câu hỏi mà nó giỏi.

Nơi mà cả hai thực sự sẽ cùng tồn tại

Các khối lượng công việc mà cả hai đều là câu trả lời đúng đều có chung một dạng: một tài liệu, một ảnh chụp màn hình, một bức ảnh, một biểu mẫu. Có thứ gì đó phải nhìn vào hình ảnh và trích xuất một giá trị, và có thứ gì đó phải làm mọi thứ sau đó — phân tích lược đồ, gọi công cụ phù hợp, xác thực, thử lại, định tuyến đến con người.

Quá trình trích xuất có dạng giống ZoomGain. Chữ nhỏ, ảnh cắt sát, một câu trả lời hoặc đúng hoặc sai, và một mô hình đã được huấn luyện rõ ràng về sự khác biệt giữa việc đọc một nhãn trong ảnh cắt và đọc cùng nhãn đó trong toàn khung hình. Các con số held-out của ZoomGain-4B trên HR-Bench 4K (81.25 đến 87.25 sau huấn luyện) và MME-RealWorld-Lite đúng là hồ sơ của một mô hình đã tốt hơn ở chi tiết dày đặc mà không bị kém đi ở mọi thứ khác.

Phần còn lại mang dáng dấp MiniCPM5, và về khả năng sử dụng công cụ, nó mạnh một cách bất thường so với kích thước của mình — τ²-Bench Telecom đạt 97,1 là con số mà hầu hết các mô hình lớn gấp ba lần cũng không chạm tới, còn BFCL v4 đạt 66,6 cho thấy khả năng gọi hàm không chỉ là màn trình diễn.

Chạy cả hai nghĩa là hai runtime, hai giấy phép và thêm một thứ nữa có thể hỏng. Đây cũng là nơi router chứng minh giá trị thực sự chứ không chỉ là khẩu hiệu: lệnh gọi hình ảnh đi đến endpoint thị giác, lượt gọi công cụ đi đến endpoint văn bản rẻ hơn, và nếu một bên bị treo thì tự động chuyển sang bên kia thay vì hiện ra thành lỗi 504 trong pipeline của bạn. Một khóa, một hóa đơn, và logic chuyển đổi dự phòng nằm ở một nơi thay vì bị nhân đôi trong hai SDK.

Nên nói rõ những gì chúng tôi có và không có trong danh mục. MiniCPM5-2B hiện chưa có trong danh mục của chúng tôi. Chúng tôi có vận hành dòng Qwen3.5 — bản 35B-A3B với giá $0,057 đầu vào và $0,459 đầu ra mỗi triệu token, bản 27B với $0,086 và $0,688, cả hai đều đa phương thức — và chính dòng này là nền tảng huấn luyện của ZoomGain-4B, khiến nó trở thành phương án gần nhất trong số các mô hình được vận hành sẵn nếu bạn muốn kiểm tra xem việc cắt ảnh rồi hỏi có cải thiện độ chính xác của mình không trước khi quyết định tự vận hành một mô hình 4B. Còn về phần gọi công cụ, cùng danh mục đó cho bạn một mô hình để gọi ngay hôm nay. Điều chúng tôi không thể làm là vận hành ZoomGain-4B, và không có cách định tuyến nào thay đổi được điều đó: nó là bản tải xuống, không phải API.

Phán quyết trung thực

Chọn MiniCPM5-2B nếu bạn muốn một mô hình nhỏ có thể triển khai ngay trong tuần này trên phần cứng bạn đã sở hữu, trong một môi trường chạy đã tồn tại, với giấy phép Apache 2.0 và một bảng benchmark đủ rộng để dự đoán cách nó sẽ hoạt động. Đây là sản phẩm hoàn thiện trong hai lựa chọn. 1,98 tỷ tham số không tính embedding khiến chi phí mỗi token của nó thấp, các con số gọi công cụ của nó là điểm tốt nhất trong cột của nó, và các bản build của nhà sản xuất chip nghĩa là nó không chỉ là một đề xuất dành riêng cho trung tâm dữ liệu.

Chọn ZoomGain-4B nếu lỗi cụ thể mà bạn đang cố loại bỏ là lỗi thị giác và có độ chi tiết mịn, đồng thời bạn sẵn sàng chạy một GPU với bản dựng llama.cpp đặc thù để khắc phục nó. Lập luận của nó dựa trên một con số đáng tin — mức tăng trung bình 6,76 điểm trên mười benchmark nhận thức được giữ riêng từ 9.000 mẫu huấn luyện — và dựa trên một benchmark, dữ liệu cùng harness cho phép bạn tự kiểm chứng tuyên bố thay vì tin vào nó.

Đừng chọn cái nào trong hai nếu bạn chưa đo được pipeline của bạn làm sai điều gì. Các kết quả công bố yếu nhất của MiniCPM5-2B là suy luận với tác nhân tìm kiếm và tài liệu dài (BrowseComp-ZH 43.5, LongBench v2 43.7), và ZoomGain-4B chưa từng được hỏi một câu nào không phải về hình ảnh. Việc mua một trong hai để giải quyết một vấn đề mà bạn chưa xác định rõ đặc điểm chính là cách các mô hình ba tỷ tham số rốt cuộc đi vào vận hành thực tế mà chẳng làm được gì.

Kết luận kém hào nhoáng: hai mô hình không phải đối thủ của nhau, mà là hai giai đoạn liền kề của cùng một công việc, và lý do so sánh này cứ bị đóng khung như một cuộc tranh tài là vì các benchmark dễ công bố hơn tính khả chuyển. MiniCPM5-2B thắng ở cột được công bố. ZoomGain-4B thắng ở một cột chưa tồn tại, trên một tác vụ duy nhất, khoảng bảy điểm, và đi kèm một yêu cầu runtime khiến hầu hết các đội dừng chân ngay từ cửa.