ZoomGain-9B vs Gemma 4 12B: Dòng còn thiếu trong bảng đánh giá

Hai mươi tám mô hình đã được chấm điểm trên bộ đánh giá ZoomGain tại thời điểm phát hành. Bốn hệ thống tiên tiến mã nguồn đóng, bốn mô hình thị giác dạng tác nhân, bốn chuyên gia chuyên sâu và mười sáu mô hình tổng quát mở. Gemma không nằm trong số đó — không phải Gemma 4 12B, không phải Gemma 4 31B, cũng không phải bất kỳ mô hình nào thuộc E-series. Việc thiếu vắng đó là sự thật hữu ích nhất khi so sánh ZoomGain-9B và Gemma 4 12B, bởi vì điều đó có nghĩa là mọi bảng "ZoomGain vs Gemma" mà bạn có thể lập đều có một lỗ hổng, và bài viết này nói về hai mô hình thực sự là gì chứ không phải một con số không tồn tại.

Hai mô hình có kích thước đủ gần nhau để dễ bị đem ra so sánh, nhưng mục đích lại đủ khác biệt đến mức khiến việc so sánh đó trở nên gây hiểu nhầm. ZoomGain-9B là một checkpoint ngôn ngữ-thị giác 9B của inclusionAI, được huấn luyện hậu kỳ bằng học tăng cường trên 9.000 câu hỏi được khai thác từ các vùng cắt ảnh, phát hành ngày 10 tháng 11 năm 2026 kèm một bài báo nhưng không có thông cáo. G​emma 4 12B là mô hình đa phương thức hợp nhất không dùng bộ mã hóa, 11,95B tham số của G​oogle DeepMind, công bố ngày 23 tháng 5 năm 2026, theo giấy phép Apache 2.0, với 1,8 triệu lượt tải xuống và 1.730 lượt thích trong tháng qua. Một bên là công cụ nghiên cứu với một năng lực đã được chứng minh. Bên còn lại là một sản phẩm có giấy phép, bộ tài liệu, sáu phiên bản lượng tử hóa và nửa năm được cộng đồng sử dụng.

Thực tế mỗi thứ là gì

Gemma 4 12B là thành viên có kiến trúc thú vị trong dòng Gemma 4. Các mô hình E2B, E4B và 31B sử dụng bộ mã hóa chuyên dụng — một tháp thị giác khoảng 150M tham số trên các mô hình nhỏ, khoảng 550M trên 31B — và truyền embedding đến mô hình ngôn ngữ. Mô hình 12B thì không. Nó chiếu trực tiếp các mảng ảnh thô và dạng sóng âm thanh vào không gian embedding của bộ giải mã thông qua các lớp tuyến tính nhẹ, đó là ý nghĩa của "Unified" trong tên gọi, và là lý do hỗ trợ âm thanh tồn tại trên mô hình này mà không có trên 31B.

Hình dạng của nó: 48 lớp, kích thước ẩn 3,840, kích thước trung gian 15,360, 16 head truy vấn so với 8 head KV ở chiều head 256, từ vựng 262,144 token và 262,144 vị trí tối đa. Bốn mươi trong số bốn mươi tám lớp là attention cửa sổ trượt ở 1,024 token; tám lớp là attention đầy đủ, và lớp cuối cùng luôn là toàn cục. Ba phương thức đầu vào, đầu ra văn bản, ngữ cảnh 256K và vai trò hệ thống gốc.

ZoomGain-9B được xây dựng theo cách ngược lại. Thân văn bản của nó là Qwen3.5-9B — 32 lớp, hidden 4,096, intermediate 12,288, lịch trình 3:1 giữa attention tuyến tính và attention đầy đủ, tối đa 262,144 vị trí — với một tháp thị giác được mô hình nền gắn thêm chứ không phải được phát minh ở đây. Trên thân mô hình đó, các tác giả đã chạy GRPO trên 9.000 câu hỏi mà câu trả lời phụ thuộc vào các chi tiết chỉ hiển thị khi bạn phóng to vào một vùng. Mô hình không được huấn luyện như một trợ lý đa năng và cũng không được giới thiệu như vậy.

• Tham số — G​emma 4 12B 11.95B so với ZoomGain-9B khoảng 9.4B (18.82 GB ở BF16 so với kích thước tệp của 12B).

• Các phương thức — G​emma 4 12B xử lý văn bản, hình ảnh, video và âm thanh; ZoomGain-9B xử lý văn bản và hình ảnh. Âm thanh không phải là thiếu sót trong triển khai của ZoomGain, mà vắng mặt trong cấu hình của nó.

• Ngữ cảnh — Gemma 4 12B ghi rõ 256K. Card của ZoomGain-9B không ghi gì; cấu hình của nó kế thừa 262.144 vị trí từ phần nền Qwen3.5-9B, điều này không đồng nghĩa với một thuộc tính đã được kiểm chứng của checkpoint đã tinh chỉnh.

• Giấy phép — G​emma 4 12B Apache 2.0 với một tệp giấy phép được đặt tên. ZoomGain-9B: mã Apache 2.0, các điều khoản checkpoint được hoãn sang một thẻ không mang nhãn giấy phép.

• Phân phối — G​emma 4 12B được phát hành dưới dạng BF16, GGUF QAT q4_0 ở 6.98 GB với projector 0.18 GB, và có các bản dựng từ ggml-org, unsloth và litert; ZoomGain-9B được phát hành dưới dạng BF16 cùng GGUF ở F16, Q8_0 và Q4_K_M từ ngày 11 tháng 11.

• Tài liệu — Gemma 4 12B có blog ra mắt, báo cáo kỹ thuật, cookbook cho framework và trang giấy phép. ZoomGain-9B có một bài báo, một kho mã và một card không nêu độ dài ngữ cảnh.

Vì sao dòng bị thiếu không phải là một sơ suất mà bạn có thể phẩy tay gạt bỏ

ZoomGain benchmark được xây dựng để phơi bày một thất bại: một mô hình không thể phân giải một chi tiết nhỏ bên trong một khung lớn. Các tác giả chấm điểm nhận diện thuộc tính, đếm và OCR trên 1.000 câu hỏi và 941 hình ảnh, bằng tiếng Anh và tiếng Trung, với đối khớp chính xác ở câu hỏi trắc nghiệm và ở số nguyên, cùng ANLS ở ngưỡng sàn 0,7 cho OCR. Trên bài kiểm tra đó, mô hình tốt nhất trong hai mươi tám mô hình đạt 61,08, và chỉ năm mô hình vượt qua 50.

G​emma 4 12B chưa từng được chạy trên đó. Cũng chưa có bất kỳ G​emma nào khác. Điều đó để lại cho bạn hai lựa chọn, và chỉ một trong số đó là trung thực. Bạn có thể đem MMMU Pro 69.1 và MATH-Vision 79.7 của G​emma đặt cạnh mức trung bình trên tập giữ lại 66.10 của ZoomGain rồi gọi đó là một phép so sánh, nhưng đó là so sánh một bộ đánh giá đa phương thức rộng với mức trung bình của mười ba benchmark tri giác và tạo ra một con số vô nghĩa. Hoặc bạn có thể nói lên điều đúng đắn: chưa ai đo hai mô hình này trên cùng một thước đo, và nếu câu hỏi đó quan trọng với bạn, benchmark có thể tải xuống và bạn có thể tự chạy nó trong một buổi chiều.

Lựa chọn thứ hai rẻ hơn vẻ ngoài của nó. ZoomGainBench được phát hành dưới dạng chú thích, hình ảnh và một trình đánh giá; quá trình đánh giá nhận một endpoint tương thích OpenAI hoặc một checkpoint cục bộ, chạy ở nhiệt độ 0 với tính năng suy nghĩ bị tắt, và báo cáo kết quả theo từng câu hỏi. G​emma 4 12B chạy trên vLLM hoặc llama.cpp. Đó là một cuộc đối đầu trực tiếp mà bạn có thể tạo ra, và việc các tác giả của benchmark không đưa G​emma vào cũng tự nó đáng chú ý — mô hình này đã có sẵn sáu tháng trước khi benchmark này được công bố.

G​emma 4 12B có những con số ở đâu và chúng có ý nghĩa gì

Đây là những số liệu của chính Google từ thẻ mô hình, chưa được một phòng thí nghiệm trung lập tái tạo lại:

• MMMU Pro 69.1 — bộ đánh giá lý luận đa phương thức, và là thứ gần nhất trên thẻ của G​emma với một tuyên bố về năng lực thị giác.

• MATH-Vision 79.7 — suy luận toán học trên sơ đồ và hình ảnh.

• Khoảng cách chỉnh sửa trung bình của OmniDocBench 1.5 là 0.164 — phân tích tài liệu, càng thấp càng tốt; mô hình 31B đạt 0.131.

• MMLU Pro 77.2, GPQA Diamond 78.8, AIME 2026 77.5 không dùng công cụ — mảng văn bản, điều mà ZoomGain-9B hoàn toàn không tuyên bố.

• τ² trung bình 69,0 và khả năng gọi hàm gốc — sử dụng công cụ tác tử.

• MRCR v2 tám kim tại 128K, 43,4% — truy xuất ngữ cảnh dài, và là con số làm suy yếu mạnh nhất thông điệp 256K.

Điều cuối cùng đáng được nhấn mạnh. Cửa sổ 256K không phải là 256K attention khả dụng, và việc G​oogle công bố một điểm truy xuất giảm xuống còn 43,4% ở 128K là mức độ thẳng thắn hơn hầu hết các thẻ mô hình đưa ra. Nếu khối lượng công việc của bạn là “tìm một sự thật trong một tài liệu lớn”, cửa sổ của G​emma 4 12B là có thật nhưng khả năng truy hồi ở độ sâu của nó chỉ ở mức trung bình, và không có phép đo tương đương nào cho ZoomGain-9B vì không có đánh giá ngữ cảnh dài nào được chạy trên nó.

Ở những chỗ ZoomGain-9B có các con số, và lưu ý đi kèm với từng con số.

Tất cả đều do tác giả báo cáo, trên bộ khung đã phát hành:

HR-Bench 4K đạt 90,25, tăng từ 82,13 ở Qwen3.5-9B mà nó kế thừa. Khả năng nhận thức độ phân giải cao, và là tuyên bố chủ đạo của bản phát hành.

• V*Bench 93.19, tăng từ 86.91. Phát hiện vật thể nhỏ trong cảnh lộn xộn.

• MMVP 70.00, tăng từ 60.00. Bài kiểm tra hình ảnh ghép cặp, trong đó hai bức ảnh gần như giống hệt nhau lại có đáp án đúng khác nhau — tương tự gần nhất hiện có với những gì ZoomGain được huấn luyện để làm.

• ZoomGainBench 55.48, tăng từ 32.13. Cột held-in bị thổi phồng do cách xây dựng, và chính các tác giả cũng thừa nhận điều đó.

• Mức trung bình held-out đạt 66.10 trên mười ba benchmark, tăng từ 59.75. Con số thực sự có ý nghĩa.

Những lưu ý, theo thứ tự mức độ đáng lo ngại với bạn. Thứ nhất, chưa ai ngoài danh sách tác giả tái lập được bất kỳ phần nào trong đó. Thứ hai, bộ đánh giá và dữ liệu huấn luyện đến từ cùng một pipeline, đó là lý do bài báo loại trừ chính bộ đánh giá của mình khỏi trung bình held-out — một sự kỷ luật đáng ghi nhận. Thứ ba, tập huấn luyện có 9.000 bản ghi, đủ nhỏ đến mức mức cải thiện có thể vẫn hẹp ngay cả khi chúng là thật. Thứ tư, mô hình không có endpoint được lưu trữ và, tại thời điểm viết, có ánh xạ nhà cung cấp trống trên Hub.

Chi phí, xét theo những yếu tố thực sự quyết định nó

G​emma 4 12B ở QAT q4_0 là 6,98 GB cộng với projector 0,18 GB. Mức đó vừa với một laptop 16 GB vẫn còn dư chỗ, và vừa với card 8 GB nếu cố gắng. ZoomGain-9B ở Q4_K_M là 5,63 GB cộng 0,52 GB projector; ở Q8_0 là 9,53 GB cộng 0,62 GB. Bản 9B là bản tải xuống nhỏ hơn ở mọi độ chính xác vì đây là mô hình nhỏ hơn, và phần thân nặng về linear-attention của nó có nghĩa là KV cache ngắn hơn ở độ dài chuỗi lớn, điều này quan trọng nếu bạn đang đưa vào hình ảnh độ phân giải cao thay vì văn bản dài.

Hiện tại, cả hai đều không thể được gọi qua chúng tôi. G​emma 4 12B không có trong danh mục của OrcaRouter, và ZoomGain-9B cũng vậy, nên nói thẳng thắn thì cả hai đều là quyết định tự vận hành hoặc dùng API của nhà cung cấp. Thứ chúng tôi có host là G​emma 4 26B A4B với giá $0.06 mỗi triệu token đầu vào và $0.33 mỗi triệu token đầu ra với cửa sổ 262K — cùng một dòng mô hình, gấp bốn lần ngân sách tham số hoạt động, và là cách hợp lý để biết liệu hồ sơ phân tích tài liệu của G​emma có phù hợp với pipeline của bạn trước khi bạn tải xuống bất cứ thứ gì. Một khóa duy nhất bao phủ mô hình đó và hơn 200 mô hình khác theo giá niêm yết, không cộng thêm phụ phí, nên một cuộc so tài giữa một endpoint thị giác và một mô hình văn bản giá rẻ chỉ tốn một buổi chiều thay vì ba bản hợp đồng.

Chọn theo công việc, không theo cấp bậc

Nếu nhiệm vụ là một chi tiết nhỏ nằm trong một hình ảnh lớn — số sê-ri trên một thiết bị, dòng chữ trên một tấm biển ở xa, màu sắc của một vật thể trong số bốn mươi vật, hay việc đếm số cửa sổ trên một mặt tiền — thì ZoomGain-9B chính là mô hình được xây dựng cho việc đó, kèm lưu ý rằng bằng chứng của nó là do chính nó tự báo cáo và giấy phép của nó cần được đọc kỹ. Kiến trúc của nó được tối ưu hóa đúng cho kiểu lỗi mà bạn đang gặp phải.

Nếu tác vụ là bất kỳ thứ gì khác mang tính thị giác — đọc một tài liệu nhiều trang, mô tả một cảnh, trả lời một câu hỏi về biểu đồ, nhận âm thanh cũng như hình ảnh, gọi một hàm sau đó — thì G​emma 4 12B là sản phẩm hoàn chỉnh, và sự so sánh không còn sát nút nữa. Nó có tiền huấn luyện 140 ngôn ngữ, khả năng gọi công cụ gốc, cửa sổ 256K với đường cong truy xuất đã được công bố, sáu mức lượng tử hóa và một giấy phép mà bạn có thể đưa cho bộ phận pháp lý mà không cần giải thích.

Nếu nhiệm vụ là cả hai, câu trả lời trung thực là hai thứ này là các lớp của cùng một pipeline chứ không phải những phương án thay thế. Một document agent thực tế vào năm 2026 sẽ phân tích bằng một mô hình đa phương thức tổng quát và chuyển những vùng ảnh cắt quan trọng lên một chuyên gia perception — và chính việc chuyển cấp này là nơi phần kỹ thuật thú vị nằm, vì nó có nghĩa là phải quyết định khi nào một chi tiết đáng để gọi lần thứ hai. Đó là một bài toán định tuyến, và đó là lý do chúng ta quan tâm đến nó: một quy tắc gửi lệnh gọi rẻ cho mô hình rẻ và chuyển cấp đến bất kỳ endpoint nào đáp ứng tiêu chuẩn của bạn chỉ là một thay đổi cấu hình, và failover nghĩa là một chuyên gia bị kẹt sẽ không làm kẹt cả pipeline.

Phán quyết, được trình bày theo hình thức mà bằng chứng ủng hộ

G​emma 4 12B là lựa chọn mua an toàn hơn theo mọi tiêu chí không phải là điểm chuẩn về nhận thức: giấy phép, tài liệu, phân phối, độ phủ, cộng đồng, và việc G​oogle công bố những con số mà bạn có thể tranh luận. ZoomGain-9B là mô hình thú vị hơn, và có khả năng là công cụ tốt hơn cho một công việc cụ thể, dựa trên bằng chứng mà chưa ai không phải là tác giả bài báo kiểm chứng.

Bước tiếp theo phù hợp phụ thuộc vào việc bạn thấy mình đồng ý với câu nào trong số những câu đó. Nếu là câu đầu tiên, hãy tải QAT GGUF xuống và dừng đọc. Nếu là câu thứ hai, hãy tải ZoomGainBench cùng với các trọng số — 941 hình ảnh, 1.000 câu hỏi, một trình đánh giá và một con số mà bạn có thể tự tạo ra — rồi chạy G​emma qua đó. Khi ấy bạn sẽ là người đầu tiên đã làm như vậy, và bạn sẽ biết được điều gì đó về cả hai mô hình mà hiện tại cả hai nhà cung cấp đều chưa biết.