ZoomGain-9B đã được phát hành mà không hề có thông báo: Những gì kho lưu trữ thực sự cho biết

Bài báo đã được đăng trên arXiv vào ngày 10 tháng 11 năm 2026. Kho lưu trữ GitHub được tạo sớm hơn một ngày, vào ngày 9 tháng 11, và commit đầu tiên của nó có tiêu đề "Release ZoomGain init". Các trọng số đã xuất hiện trên Hugging Face vào ngày 10 tháng 11 lúc 11:42 UTC, tiếp theo là một kho lưu trữ GGUF vào ngày 11 tháng 11 lúc 03:16. Không có bài đăng blog ra mắt, không có thông báo từ nhà cung cấp, không có endpoint được lưu trữ, và không có thẻ giấy phép trên chính kho lưu trữ checkpoint. Đó là toàn bộ hồ sơ công khai của ZoomGain-9B, một mô hình thị giác-ngôn ngữ 9,4 tỷ tham số từ inclusionAI, nhánh mô hình mở của Ant Group, và là lý do bài viết này được viết như một bài đọc kho lưu trữ thay vì một câu chuyện ra mắt.

Điều khiến nó đáng được chú ý không phải là sự kín đáo. Mà là kho lưu trữ này hoàn thiện một cách bất thường đối với một thứ mà không ai công bố: bài báo, bộ đánh giá 1.000 câu hỏi, bộ dữ liệu học tăng cường 9.000 bản ghi, trình đánh giá, trình khởi chạy huấn luyện, hai checkpoint ở 4B và 9B, và ba bản lượng tử hóa GGUF đều xuất hiện trong khoảng hai ngày. Bạn có thể đọc phương pháp, chạy lại đánh giá và tái tạo quá trình huấn luyện ngay hôm nay. Điều duy nhất còn thiếu là một người nào đó từ công ty nói rằng nó tồn tại.

Những gì thực sự đã được triển khai, theo thứ tự

• Ngày 9 tháng 11 năm 2026 — kho lưu trữ GitHub inclusionAI được tạo. Kho lưu trữ này đi kèm giấy phép Apache 2.0 cùng mã xây dựng dữ liệu và mã huấn luyện, chứ không phải các trọng số.

• 10 tháng 11 năm 2026 — arXiv:2611.14076v1, “ZoomGain: Khai phá khoảng trống nhận thức từ toàn cục đến thu phóng cho giám sát thị giác tinh mịn”, của Haozhan Shen, Liangbo He, Jun Lan, Huijia Zhu, Weiqiang Wang, Tiancheng Zhao và Jianwei Yin, với các đơn vị trực thuộc Ant Group, Zhejiang University, Om AI Research và Binjiang Institute.

• 10 tháng 11 năm 2026, 11:42 UTC — inclusionAI/ZoomGain-9B và inclusionAI/ZoomGain-4B được tạo trên Hub, mỗi mô hình với một tệp safetensors BF16 duy nhất có dung lượng lần lượt là 18,82 GB và 9,08 GB.

• 11 tháng 11 năm 2026, 03:16 UTC — inclusionAI/ZoomGain-9B-GGUF xuất hiện với các bản dựng Q4_K_M, Q8_0 và F16 cùng các tệp projector mmproj tương ứng, đây là bước biến một checkpoint nghiên cứu thành thứ mà một chiếc laptop có thể thử.

Một chi tiết nhỏ đáng lưu ý vì đây chính là kiểu thứ mà một màn ra mắt được phối hợp chặt chẽ sẽ không tạo ra: phần "Cập nhật" của chính thẻ mô hình ghi ngày của bài báo, bộ đánh giá chuẩn, bộ dữ liệu và các checkpoint đều là 2026.11.11, trong khi dấu thời gian tạo của kho lưu trữ và ngày gửi arXiv đều ghi 10 tháng 11. Thẻ này được viết sau khi sự việc đã xảy ra, trong một lượt, bởi ai đó đang dọn dẹp.

Ý tưởng ấy, gói gọn trong một đoạn văn, bởi vì nó thực sự chỉ là một ý tưởng duy nhất.

Một mô hình thị giác thường có thể trả lời một câu hỏi về một vùng của hình ảnh mà nó lại thất bại khi chính vùng đó xuất hiện trong toàn bộ khung hình. Các tác giả gọi đây là khoảng cách nhận thức từ toàn cảnh đến thu phóng, và họ biến nó thành tín hiệu giám sát. Giai đoạn một: một số mô hình độc lập định vị một mục tiêu được mô tả trong toàn cảnh, và sự đồng thuận của chúng xác định một vùng cần cắt. Giai đoạn hai: các chú thích của vùng cắt và các chú thích của toàn cảnh được so sánh, và bất kỳ chi tiết nào mà vùng cắt tiết lộ nhưng toàn cảnh không tiết lộ sẽ trở thành một câu hỏi được đặt về hình ảnh gốc. Giai đoạn ba: các câu trả lời được kiểm tra lại trên vùng cắt, các câu hỏi mơ hồ và các câu hỏi có thể trả lời từ tri thức ngôn ngữ tiên nghiệm bị lọc bỏ, và các phương án gây nhiễu hợp lý được tạo ra cho định dạng trắc nghiệm.

Huấn luyện là GRPO trên 9.000 bản ghi được xây dựng từ 7.713 ảnh nguồn — một epoch, kích thước lô 64, tám lượt rollout cho mỗi câu hỏi — sử dụng mã EasyR1 đi kèm. Đánh giá mặc định ở temperature 0 với chế độ thinking của Qwen3.5 bị tắt, và các câu hỏi OCR và đếm vẫn ở dạng mở, trong khi các câu hỏi về thuộc tính trở thành trắc nghiệm. Bản thân không có gì trong số đó là bất thường; điều bất thường là pipeline tạo ra dữ liệu huấn luyện cũng tạo ra benchmark, và bài báo nói rõ điều đó.

Hai số không phải là cùng một số

Trên ZoomGainBench — bộ đánh giá gồm 1.000 câu hỏi, 941 hình ảnh, tiếng Anh và tiếng Trung, được xây dựng bởi chính pipeline này — ZoomGain-9B đạt 55,48. Mô hình cơ sở của nó, Qwen3.5-9B, đạt 32,13. Đó là mức tăng 23,35 điểm trên một bộ đánh giá mà dữ liệu huấn luyện của chính mô hình được khai thác từ đó, và bài báo gắn nhãn cột là "Held-in" chính vì lý do đó.

Con số cần dùng khi ra quyết định là mức trung bình trên mười ba benchmark mà quá trình huấn luyện chưa từng chạm tới, tức là loại trừ ZoomGainBench: 66.10 cho ZoomGain-9B so với 59.75 cho Qwen3.5-9B. Mức tăng trung bình 6.35 điểm từ 9,000 mẫu là một kết quả vững chắc và đáng tin. Cả hai con số đều là thật. Chúng trả lời những câu hỏi khác nhau, và bất kỳ trang nào trích dẫn 55.48 mà không nói "held-in" thì chỉ đang nói cho bạn một nửa sự thật.

Có một điều kỳ lạ thứ hai trong cùng bảng mà dường như chưa ai để ý: người em nhỏ hơn lại đánh bại 9B trên benchmark held-in. ZoomGain-4B đạt 55,81 trên ZoomGainBench so với 55,48 của 9B, nhưng lại thua ở điểm trung bình held-out: 63,96 so với 66,10. Trên benchmark được xây dựng từ phân phối huấn luyện, hai mô hình ngang nhau trong phạm vi nhiễu; một khi rời khỏi phân phối đó, kích thước lại lên tiếng. Nếu chỉ dựa vào một con số nổi bật duy nhất để chọn giữa hai mô hình, bạn sẽ chọn sai.

9.000 mẫu đã mang lại những gì, theo từng benchmark

Tất cả các số liệu sau đây là số liệu do các tác giả tự báo cáo từ Bảng 3 của bài báo, được chạy bằng bộ khung của chính các tác giả trên bộ đánh giá đã phát hành, và chưa được bất kỳ ai tái lập một cách độc lập:

• HR-Bench 4K — 90,25, tăng từ 82,13. Đây là con số mà phần tóm tắt mở đầu bằng, và là tuyên bố mạnh nhất trong bản phát hành.

• V*Bench — 93.19, tăng từ 86.91. Phát hiện vật thể nhỏ ở độ phân giải cao.

• VisualProbe — 56.31, tăng từ 44.66. Mức tăng tương đối lớn nhất nằm ngoài bộ chuẩn held-in.

• O3-Bench — 68.12, tăng từ 56.52. Nhận thức và suy luận đa bước.

• MMVP — 70,00, tăng từ 60,00. Bài kiểm tra kinh điển về các cặp hình ảnh chỉ khác nhau ở một chi tiết.

• MMStar — 73,87, tăng từ 71,73. Năng lực đa phương thức tổng quát, và mức tăng nhỏ nhất trong nhóm.

• BabyVision — 17,53, tăng từ 15,98. Vẫn gần mức sàn, và là lời nhắc hữu ích rằng mức tăng tập trung ở nhóm chi tiết tinh xảo thay vì trải đều.

Xét tổng thể, quy luật này nhất quán với phương pháp chứ không phải với một sự gia tăng năng lực tổng quát: những mức chênh lệch lớn nhất nằm ở các bài đánh giá thưởng cho việc tìm một vật nhỏ trong một khung lớn, còn những mức nhỏ nhất nằm ở các bài đánh giá thưởng cho kiến thức thế giới rộng và suy luận thị giác thông thường. Đó là điều mà một lượt chạy RL có mục tiêu trên 9.000 câu hỏi về chi tiết bị cắt nên trông như thế.

Điều gì có thể biết được, điều gì được tuyên bố, và điều gì đơn giản là chưa được xác nhận

Có thể biết được từ kho lưu trữ, ngay hôm nay, mà không cần tin vào lời của bất kỳ ai: kiến trúc, vì cấu hình là công khai và xác định một thân văn bản Qwen3.5-9B gồm 32 lớp, kích thước ẩn 4.096, kích thước trung gian 12.288 và 262.144 vị trí tối đa, được bao bọc trong một tháp thị giác; dữ liệu huấn luyện, vì tệp Parquet 9.000 bản ghi và các ảnh nguồn được phát hành dưới dạng một bộ dữ liệu; phương pháp, vì các lời nhắc nằm trong phụ lục của bài báo; và đánh giá, vì trình đánh giá, các chú thích và các ảnh đều có thể tải xuống.

Được tuyên bố nhưng chưa được xác nhận: mọi điểm benchmark ở trên. Bài báo báo cáo chúng trên harness đã phát hành, điều này khiến chúng dễ kiểm chứng hơn hầu hết bảng của nhà cung cấp — bạn có thể chạy lại — nhưng chưa có ai ngoài danh sách tác giả làm vậy, và chưa có phòng thí nghiệm độc lập nào công bố kết quả ZoomGain-9B.

Không hề được xác nhận, và đáng để nói thẳng:

• Giấy phép của checkpoint. Mã nguồn là Apache 2.0 và card ghi rõ như vậy. Sau đó, card chuyển các điều khoản về mô hình và bộ dữ liệu sang "các card Hugging Face cho các điều khoản của từng bộ dữ liệu và checkpoint", và kho lưu trữ checkpoint không có thẻ giấy phép nào trong siêu dữ liệu Hub của nó. Đó là một lỗ hổng cần được khắc phục bằng cách đọc các tệp trước khi bạn phát hành, chứ không phải một lời hứa mà bạn có thể dựa vào.

• Độ dài ngữ cảnh. Thẻ mô hình không nêu con số nào. 262.144 vị trí tối đa trong cấu hình được kế thừa từ phần lõi Qwen3.5-9B, điều này không đồng nghĩa với một thuộc tính đã được kiểm nghiệm của checkpoint sau huấn luyện, và mọi đánh giá trong bài báo đều chỉ dùng một hình ảnh với chế độ suy luận bị tắt.

• Hành vi trợ lý tổng quát. Không có nội dung nào trong các bài kiểm thử phát hành về trò chuyện, gọi công cụ, tạo văn bản dài hay sử dụng nhiều lượt. Mô hình được huấn luyện để trả lời các câu hỏi về ảnh chụp, và đó là khả năng duy nhất có bằng chứng hỗ trợ.

• Bất kỳ máy chủ nào. Ánh xạ nhà cung cấp của Hub cho kho lưu trữ đang trống. Không có API nhà cung cấp và không có điểm cuối bên thứ ba nào được liệt kê, vì vậy "dùng thử" hiện có nghĩa là "tải xuống 18.82 GB".

Chạy nó trong tuần này, nếu bạn muốn.

Đường GGUF là lựa chọn rẻ hơn: một bản dựng Q4_K_M 5,63 GB cộng với projector mmproj 0,52 GB, hoặc 9,53 GB ở Q8_0, hoặc 17,92 GB ở F16. Đầu vào hình ảnh cần cả hai tệp — projector không phải tùy chọn, và một bản dựng llama.cpp có hỗ trợ đa phương thức Qwen3.5 là điều kiện tiên quyết. Đường tham chiếu nặng hơn nhưng được tài liệu hóa tốt hơn: vLLM 0.19.1 với transformers 5.7.0, đúng các phiên bản mà nhóm tác giả đã đánh giá, trên một checkpoint BF16 cần tối thiểu card đồ họa 24 GB và khoảng dư thoải mái trên mức đó.

Cũng nên tính đến cả giao thức đánh giá lẫn trọng số. Các tác giả chạy ở temperature 0 với thinking bị tắt và chấm điểm các câu hỏi thuộc tính bằng exact match trên lựa chọn được chọn, đếm bằng exact match trên số nguyên dự đoán, và OCR bằng ANLS với ngưỡng sàn 0.7. Nếu bạn đánh giá với thinking bật, hoặc với một mẫu prompt khác, bạn đang đo một thứ mà các tác giả không báo cáo và không nên kỳ vọng các con số của họ sẽ chuyển sang.

OrcaRouter không lưu trữ ZoomGain-9B, và bài viết này sẽ không giả vờ điều ngược lại. Điều chúng tôi có là một khóa duy nhất cho hơn 200 mô hình với giá niêm yết của nhà cung cấp, không cộng thêm phụ phí, điều này quan trọng ở đây vì một lý do cụ thể và thực tế: cách nhanh nhất để biết liệu lỗi trong pipeline của bạn có phải là lỗi chi tiết nhỏ hay không là chạy cùng những hình ảnh đó qua một mô hình thị giác được lưu trữ và so sánh các ca thất bại. Qwen3-VL-8B-Instruct trên danh mục của chúng tôi có giá $0.18 mỗi triệu token đầu vào và $0.70 mỗi triệu token đầu ra ở ngữ cảnh 131K, nhận hình ảnh và video, và sẽ không sánh bằng một mô hình được huấn luyện trên các câu hỏi khai thác từ cắt ảnh — nhưng nó sẽ cho bạn biết trong vòng một buổi chiều liệu GPU có đáng để mua hay không.

Điều gì sẽ thay đổi câu chuyện này?

Bốn điều, theo thứ tự tăng dần về mức độ quan trọng. Một thông báo từ inclusionAI, thứ sẽ biến một buổi đọc repository thành một buổi ra mắt và có thể sẽ đi kèm việc làm rõ giấy phép. Một nhãn giấy phép cho checkpoint, thứ sẽ giải quyết câu hỏi duy nhất hiện đang cản trở việc áp dụng thương mại. Một endpoint được host, thứ sẽ xóa bỏ rào cản 18.82 GB cho tất cả những ai không sở hữu phần cứng. Và một đánh giá độc lập, chính là điều thực sự sẽ tạo ra khác biệt: tuyên bố rằng một mô hình 9B đạt 90.25 trên HR-Bench 4K là kiểu con số hoặc sống sót qua một phòng thí nghiệm thứ hai hoặc lặng lẽ biến mất.

Cho đến lúc đó, tóm tắt trung thực là ZoomGain-9B là một bản phát hành nghiên cứu được ghi chép đầy đủ, với phương pháp dễ hiểu, một bộ khung tái lập được, một cách phân tách held-in/held-out trung thực đến bất thường, và không có bên thứ ba nào đứng sau bất kỳ phần nào của nó. Điều đó nhiều hơn những gì hầu hết các đợt ra mắt lặng lẽ mang lại, và ít hơn một sản phẩm.