ZwZ2-4B phát hành mà không có buổi công bố: Thẻ mô hình nói gì và điều gì nó không tiết lộ

Kho lưu trữ ZwZ2-4B được tạo vào ngày 15 tháng 10 năm 2026 lúc 06:11 UTC và, tính đến sáng nay, nó không có lượt tải xuống nào và không có lượt thích nào. Điều đó không có gì lạ đối với một checkpoint chưa được ai công bố. Điều lạ là nó còn đi kèm một model card hoàn chỉnh: một phần phương pháp, mô tả dữ liệu huấn luyện, khối quickstart và một kết quả nổi bật tuyên bố 25 benchmark cùng mức cải thiện 5,38 điểm so với Qwen3.5-4B, mô hình mà nó được tinh chỉnh từ đó. inclusionAI đã công bố tài liệu mà không công bố thông báo. Model card thì có; thông cáo báo chí thì không; và sự khác biệt giữa hai điều đó chính là toàn bộ câu chuyện của checkpoint này.

Bài viết này cố ý giới hạn hẹp về những gì nó sẽ khẳng định. Mọi thứ dưới đây được đánh dấu là dữ kiện từ kho lưu trữ đều được đọc trực tiếp từ các tệp — cấu hình, chỉ mục trọng số, mục nhập tập dữ liệu, chính tấm thẻ. Mọi thứ được đánh dấu là tuyên bố của nhà cung cấp là con số của chính inclusionAI, được tái hiện như một tuyên bố chứ không phải như một kết quả. Không tồn tại đánh giá độc lập nào về ZwZ2-4B, và bất kỳ ai nói với bạn điều ngược lại thì đang đọc lại tấm thẻ cho bạn nghe.

Thực tế đã có gì được triển khai, vào những ngày nào

Dòng ZwZ2 xuất hiện trong khoảng thời gian khoảng hai mươi ba tiếng rưỡi, theo thứ tự kích thước ngược lại. ZwZ2-4B đến trước, vào ngày 15 tháng 10 lúc 06:11 UTC. ZwZ2-9B theo sau vào ngày 16 tháng 10 lúc 03:42. ZwZ2-27B khép lại bộ sản phẩm lúc 05:42 cùng buổi sáng. Bộ dữ liệu huấn luyện, inclusionAI/ZwZ2-RL-VQA, xuất hiện ba ngày sau đó vào ngày 19 tháng 10. Cả ba kho lưu trữ, bộ dữ liệu và bộ sưu tập của dòng mô hình đều mang dấu thời gian từ hôm nay, ngày 27 tháng 10 — lượt bảo trì gần đây nhất trên một dòng mô hình vẫn chưa có thông báo công khai nào đi kèm.

Điều gì đã không xảy ra: không có bài đăng nào trên blog của inclusionAI và không có luồng phát hành nào. Ba checkpoint đúng là cùng thuộc một collection, Zooming-without-Zooming-v2, gồm bốn mục, nhưng một collection chỉ là vật chứa chứ không phải một thông báo. Kho GitHub lưu trữ mã của thế hệ đầu tiên hoàn toàn chưa được cập nhật — nó vẫn liệt kê bốn mô hình, ZwZ-2B, ZwZ-4B, ZwZ-7B và ZwZ-8B, tất cả đều được xây dựng trên các backbone Qwen3-VL. Dòng v2 không có trong đó. Nếu bạn đi tìm mã nguồn đã tạo ra ZwZ2-4B, bạn sẽ tìm thấy mã của phiên bản tiền nhiệm, và README ở đó sẽ không nhắc đến mô hình mà bạn đang cầm.

Lời khẳng định, được nêu ra như một lời khẳng định

Thẻ của inclusionAI báo cáo độ chính xác tổng thể là 49,41 đối với mô hình cơ sở và 54,79 đối với ZwZ2-4B, được đo trên 25 benchmark được nhóm thành sáu lĩnh vực. Thẻ cho biết mô hình đã cải thiện trên từng benchmark trong số đó, và rằng điểm trung bình tổng thể và theo lĩnh vực gán trọng số bằng nhau cho mỗi benchmark. Sáu lĩnh vực mà thẻ nêu tên là nhận thức chi tiết mịn, suy luận không gian, hiểu ngữ cảnh dài, tác nhân đa phương thức và suy luận thị giác tổng quát, cùng với nhóm chi tiết mịn mang con số tiêu đề.

Hai con số đó là toàn bộ phần định lượng cho mô hình. Điểm số từng benchmark tồn tại trên trang dưới dạng hình ảnh — một PNG và một SVG — chứ không phải văn bản, nghĩa là tám kết quả đại diện và đầy đủ hai mươi lăm kết quả đều hiển thị được nhưng không thể đọc bằng máy. Bộ benchmark duy nhất được mô tả bằng văn xuôi là MMLongBench*, với phần cốt lõi thị giác được liệt kê là V-RAG, Image MM-NIAH và VH-Multi, trên 25 tác vụ không thuộc Counting. Thẻ này cũng lưu ý rằng độ phân giải hình ảnh đối với "các mô hình tiên tiến" bị giới hạn bởi nền tảng phục vụ, đây là một lưu ý hợp lý và cũng là lời nhắc rằng điểm thị giác một phần là phát biểu về cách hình ảnh đến được với mô hình.

Mức trung bình +5.38 trên 25 bộ benchmark là một tuyên bố lớn đối với một mô hình lớp 4B. Đây cũng đúng là kiểu tuyên bố mà nhà cung cấp là bên ở vị thế tốt nhất để đưa ra và là bên ở vị thế kém nhất để kiểm chứng, bởi vì nhà cung cấp đã tự chọn bộ benchmark, cách gán trọng số và độ phân giải. Hãy coi 54.79 là con số cần tái lập, chứ không phải con số để lập kế hoạch dựa theo.

Phương pháp: một lượt, không thu phóng, không SFT

Quy trình huấn luyện có tên là EvidenceConnect, và đây là thế hệ thứ hai của một ý tưởng mà phòng thí nghiệm đã công bố hồi đầu năm nay với tên gọi "Zooming without Zooming". Tiền đề là nhận thức thị giác chi tiết thường được giải quyết ở thời điểm suy luận — cắt vùng, hỏi lại câu hỏi, lặp lại — và rằng cách này tốn kém và dễ vỡ. Thay vào đó, ZwZ2 dạy mô hình chú ý đến bằng chứng theo vùng trong một lượt truyền xuôi duy nhất.

Quá trình xây dựng diễn ra qua bốn bước, như thẻ mô tả. Các vùng liên quan được nhóm lại, từ ba đến bảy vùng mỗi ảnh, lấy từ SA-1B. Câu hỏi được tạo dựa trên các góc nhìn phóng to đặc quyền của những vùng đó, để người viết câu hỏi có thể thấy chi tiết mà mô hình chính sách sẽ không bao giờ thấy khi suy luận. Những câu hỏi đó sau đó được lọc hai lần — bằng sự đồng thuận chéo giữa các mô hình, và bằng phép thử bỏ một vùng nhằm kiểm tra xem việc loại bỏ một vùng có thực sự làm thay đổi câu trả lời hay không. Các câu hỏi đã được xác minh trở thành bài tập trắc nghiệm bốn lựa chọn, và mô hình được huấn luyện bằng GRPO. Hoàn toàn không có giai đoạn tinh chỉnh có giám sát nào.

Khi suy luận, chính sách nhìn thấy toàn bộ hình ảnh với các đường viền vùng màu được vẽ trên đó. Các vùng cắt đặc quyền chỉ tồn tại trong quá trình xây dựng dữ liệu. Mỗi kích cỡ mô hình trong dòng mô hình đã sử dụng khoảng 20.000 ví dụ huấn luyện; thẻ bộ dữ liệu ghi con số chính xác là 20.662 câu hỏi trắc nghiệm, năm lượt tải xuống và ngày tạo là 19 tháng 10.

Thiết kế này có một hệ quả dễ thấy đáng lưu ý cho bất kỳ ai dự định đánh giá nó. Một mô hình chỉ được huấn luyện trên bài trắc nghiệm bốn lựa chọn đang được tối ưu cho một dạng bài trông chẳng giống gì so với việc mô tả ảnh mở hay hỏi đáp thị giác tự do. Nếu tác vụ của bạn yêu cầu viết một đoạn văn về một hình ảnh, checkpoint này không được huấn luyện cho việc đó, và phần hạn chế của model card cũng nói rõ điều đó: chi tiết bị ảo giác, đọc sai văn bản, lỗi đếm, lỗi không gian.

Điều mà cấu hình chứng minh, độc lập với phòng thí nghiệm

Có một loại dữ kiện mà bạn không phải tin mà không kiểm chứng, vì đó là phép tính số học trên các tệp đã công bố. ZwZ2-4B có 4.539.265.536 tham số ở BF16, được lưu dưới dạng một tệp safetensors 9,08 GB duy nhất. Trang Hugging Face làm tròn con số này thành "5B", khá là hào phóng; chỉ mục ghi là 4,54B. Mô hình gốc của nó, Qwen3.5-4B, có 4.659.865.088 tham số — vậy nên mô hình phái sinh có khoảng 120,6 triệu tham số ít hơn so với mô hình mà nó được huấn luyện từ đó.

Sự khác biệt đó có một lời giải thích rõ ràng trong config. Qwen3.5-4B khai báo một lớp multi-token-prediction; ZwZ2-4B khai báo không có lớp nào. Phần head speculative-decoding đã bị loại bỏ. Loại bỏ một MTP head khỏi checkpoint 4.6B và bạn sẽ rơi gần như chính xác vào khoảng chênh lệch quan sát được. Đây chính là chỉnh sửa mà người anh em 9B mang theo, và đó là bằng chứng mạnh nhất hiện có cho thấy đây là các dẫn xuất đã qua huấn luyện hậu kỳ chứ không phải các mô hình mới được huấn luyện từ đầu.

Phần còn lại của stack không thay đổi so với bản gốc:

• Độ sâu — 32 lớp ở cả ZwZ2-4B và Qwen3.5-4B

• Độ rộng — kích thước ẩn 2.560, kích thước trung gian 9.216

• Cơ chế chú ý — 16 head truy vấn so với 4 head KV, chiều head là 256, lịch trình từ tuyến tính đến đầy đủ theo tỷ lệ 3:1 (24 lớp tuyến tính, 8 lớp đầy đủ)

• Từ vựng — 248,320 token, embedding liên kết

• Ngữ cảnh — 262.144 vị trí, M-RoPE theo phân tách 11/11/10, hệ số quay một phần 0,25

• Tháp thị giác — 24 lớp với chiều ẩn 1.024, kích thước patch 16, hợp nhất không gian 2×2

• Môi trường chạy — transformers 5.13.1, định danh kiến trúc Qwen3_5ForConditionalGeneration

Chat template đáng để nói một dòng vì nó thay đổi cách mô hình hoạt động ngay khi dùng. Template được phát hành chạy ở chế độ không suy nghĩ và hướng dẫn mô hình đặt câu trả lời cuối cùng bên trong thẻ <answer>. Nếu bạn tải nó với một harness VLM chung kỳ vọng văn bản tự do, bạn sẽ thấy các thẻ trong đầu ra và tự hỏi tại sao.

Điều mà thẻ không nói cho bạn biết

Ba lỗ hổng quan trọng hơn bất cứ điều gì mà tấm thẻ nói.

Đầu tiên là giấy phép. Kho lưu trữ không có tệp LICENSE và không có thẻ giấy phép. Chính phần mô tả trên card viện dẫn đến "giấy phép đi kèm với các trọng số được phát hành và giấy phép backbone áp dụng" — nhưng không có tệp giấy phép đi kèm nào để viện dẫn tới. Backbone, Qwen3.5-4B, là Apache-2.0, nên cách hiểu khả dĩ nhất là bản phái sinh kế thừa giấy phép đó. "Khả dĩ" không đồng nghĩa với "được tuyên bố", và một cuộc rà soát pháp lý sẽ không chấp nhận một câu trên card trỏ đến một tệp không tồn tại.

Thứ hai là bài báo. Phương pháp v2 — EvidenceConnect, bộ lọc drop-one-region, huấn luyện chỉ với GRPO — không có tài liệu công khai nào. Liên kết bài báo trên thẻ vẫn là chỗ giữ chỗ nguyên văn PAPER_URL. Mã định danh arXiv duy nhất gắn với kho lưu trữ, 2602.11858, là bài báo thế hệ đầu tiên, mô tả chưng cất từ vùng sang ảnh trên các backbone Qwen3-VL: một phương pháp khác, một họ mô hình nền khác và một bộ số liệu khác. Thẻ bộ dữ liệu kế thừa cùng mã định danh đó, nên tag này lan truyền sự không khớp.

Điều thứ ba là việc không có bất kỳ đo lường độc lập nào. Không có bảng xếp hạng nào chấm điểm ZwZ2-4B, không có sự tái lập nào, và bộ đếm lượt tải vẫn chưa nhích khỏi con số 0. Một mô hình có thể vừa xuất sắc vừa chưa được đo lường cùng một lúc; điểm mấu chốt chỉ là chưa có gì bên ngoài phòng thí nghiệm xác nhận con số 54.79.

Cái bẫy đặt tên mà bạn sẽ mắc phải

Tìm kiếm mô hình này và bạn sẽ thấy một mô hình khác xuất hiện trước. Thế hệ đầu tiên của ZwZ-4B là một checkpoint thực tế, có tài liệu, được xây dựng trên Qwen3-VL-4B, và công bố mức trung bình 66,86 so với 61,52 của backbone, với điểm ZoomBench là 55,74. Những con số đó được trích dẫn rộng rãi và chúng không phải là số của ZwZ2-4B. Chúng thuộc về một mô hình cơ sở khác, một công thức huấn luyện khác và một bộ benchmark khác.

Hai tên chỉ khác nhau một ký tự. Một bảng so sánh trộn lẫn chúng sẽ trông có vẻ nhất quán nội tại nhưng lại sai. Nếu một trang nhà cung cấp hoặc một trang tổng hợp hiển thị ZwZ2-4B ở mức 66.86, thì đó chính là lỗi mà bạn đang thấy.

Nếu bạn cần một mô hình thị giác nhỏ trong tuần này

ZwZ2-4B không có trong danh mục của OrcaRouter, và bài viết này sẽ không giả vờ rằng có. Đây là một checkpoint bạn tự tải về và tự phục vụ; không có endpoint được lưu trữ nào cho nó ở bất cứ đâu mà trang Hugging Face thừa nhận, và trang này báo cáo rõ ràng rằng không có nhà cung cấp suy luận nào phục vụ nó.

Điều mà danh mục thực sự có là giải pháp thay thế thiết thực cho cùng công việc: qwen/qwen3-vl-8b-instruct với giá 0,18 USD cho mỗi triệu token đầu vào và 0,70 USD cho mỗi triệu token đầu ra, với ngữ cảnh 131K, được phục vụ qua cùng endpoint tương thích OpenAI như mọi thứ khác. Nếu kế hoạch của bạn là đánh giá ZwZ2-4B so với một baseline thị giác được host, thì đó chính là baseline đó, và chạy cả hai từ một khóa nghĩa là một thư viện client và một hóa đơn thay vì hai tích hợp. OrcaRouter định tuyến hơn 200 mô hình với chuyển đổi dự phòng tự động, nên một luồng thị giác được xây dựng trên endpoint đó không phụ thuộc vào việc một upstream duy nhất vẫn duy trì trạng thái khỏe mạnh.

Đối với một mô hình không có lượt tải xuống nào và không có tệp giấy phép, đó là khuyến nghị trung thực: thuê phần so sánh, sở hữu phần thử nghiệm.

Điều gì sẽ thay đổi đánh giá này?

Ba sự kiện, theo thứ tự giảm dần về tầm quan trọng. Một tệp giấy phép, thứ sẽ biến một điều chưa rõ về pháp lý thành một câu trả lời pháp lý. Một bài báo v2 công khai, thứ sẽ cho phép ai đó kiểm tra bộ lọc EvidenceConnect xem có rò rỉ hay không — thử nghiệm bỏ một vùng là một ý hay, và những ý hay chính là thứ cần được đánh giá. Và bất kỳ điểm số nào từ bên thứ ba, bởi vì một chuẩn đánh giá có thể tái lập trên một bộ khung trung lập sẽ làm được nhiều hơn cho checkpoint này so với thêm một nghìn từ trong thẻ.

Cho đến khi một trong số đó thành hiện thực, ZwZ2-4B là một chuyên gia nhận thức 4.54B được ghi chép đầy đủ, chưa được công bố và chưa được đo lường, mà tấm thẻ của chính nó nói rằng nó vượt mô hình cơ sở 5.38 điểm. Đó là một tuyên bố chân thực và cụ thể. Đó chưa phải là một kết quả, và sự phân biệt đó là thứ duy nhất đáng mang ra khỏi kho lưu trữ này.