
ZoomGain-4B 于11月11日发布,事先没有任何公告。
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 90 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-0711 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 88 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 133 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百万 tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百万 tokens · 185 tok/s
第一个提交位于inclusionAI/ZoomGain,时间戳为 2026-11-09 02:13 UTC,提交信息为“Release ZoomGain init.”。其用于ZoomGain-4B的权重于 2026-11-10 11:38 UTC 出现在 Hugging Face 上。arXiv 条目、评估集以及产出它的强化学习语料库,日期均为 2026-11-11,也正是模型卡最后一次被改动的同一天。我没有在任何我能找到的地方看到发布文章。inclusionAI 的网站上没有新闻条目,该组织的 Hugging Face 主页上除了仓库本身没有任何公告,没有托管端点,也没有任何人进行报道。ZoomGain-4B 是一个视觉语言模型,通过强化学习在Qwen3.5-4B之上构建;截至今天早上,知道它存在的人,只有那些碰巧看过某个仓库列表的人。这是一篇“以仓库所述为准”的文章:下面的每个数字,要么是你可以自行核实的时间戳,要么是作者写在自己模型卡上的数字;而仅凭这些还不够的地方,文中会明确标注。
对于想在细节之前先了解大致轮廓的读者:该模型是一个拥有45.4亿参数的多模态检查点,能回答关于细微视觉细节的多选题——照片中的小号文字、杂乱场景中的物体数量、只有放大裁剪后才能辨认的属性。作者的主张是:视觉模型看整张图时会漏掉一些细节,而一旦把同一区域放大,它就能完全读清这些细节,并且这种差距可以转化为训练信号。随后,他们用同一套机制构建了一个包含1000道题的基准;在该基准上,训练后的4B模型得分为55.81,而其训练起点模型为30.03。这两个数字就是全部论据,但它们附带一个论文自己说明的注意事项:该基准与训练数据由同一流程构建,论文称之为“held-in”。
实际落地了什么,以及时间戳说明了什么
对于一个无人宣布的东西来说,这次发布完整得不同寻常。六个产物,全部都在48小时的时间窗口内:
• 论文。“ZoomGain:挖掘全局到局部感知差距以实现细粒度视觉监督”,arXiv 2611.14076,于2026年11月10日提交,作者为 Haozhan Shen、Liangbo He、Jun Lan、Huijia Zhu、Weiqiang Wang、Tiancheng Zhao 和 Jianwei Yin。共有七位作者,cs.CV 和 cs.AI。
• 4B 检查点。 inclusionAI/ZoomGain-4B,采用 BF16 格式的 safetensors。文件元数据统计为 4,539,265,536 个参数。代码采用 Apache 2.0;模型卡将检查点和数据集的条款交由各自仓库规定。
• 9B 检查点。 inclusionAI/ZoomGain-9B,9,409,813,744 个参数,在其较小的同级模型之后四分钟创建。
• 量化版本。 ZoomGain-4B-GGUF 于 2026-11-11 03:09 UTC 发布,包含三种精度以及配套的视觉投影器:Q4_K_M 为 2.71 GB,Q8_0 为 4.48 GB,F16 为 8.42 GB,每个都配有一个 mmproj 文件用于图像编码器。随后推出了 9B GGUF。
• 该基准。 inclusionAI/ZoomGainBench,包含 941 张图像上的 1,000 个问题,每个条目均提供英文和中文文本,另附参考答案、评分规则以及以像素坐标表示的证据边界框。
• 训练数据。 inclusionAI/ZoomGain-RL-Data,Parquet 格式,包含 9,000 条记录和 7,713 张源图像,并带有训练脚本所需的奖励元数据。
这种安静并不是谜团,也并非不祥。它正是一个研究小组内部发布时会呈现的样子:论文抢在任何人写博客文章之前先通过了 arXiv。蛛丝马迹都在:11 月 11 日上午的三次提交都题为“update readme”,彼此相隔十四分钟;GitHub 仓库只有三颗星,描述字段空着;两个 checkpoint 仓库都显示零下载、零点赞;4B 模型页面带有关于 YAML 元数据为空或缺失的警告。这些都不是关于模型的证据,而是关于这次推出过程的证据。

该方法分三步进行
ZoomGain 有趣的地方不在于模型本身,而在于问题是如何被构建出来的。这条流水线分三个阶段运行,其中只有第一个阶段是常规做法。
• 锚定目标。多个模型独立定位完整场景中所描述的区域。当它们达成一致时,这种一致就被视为值得保留的裁剪区域。将分歧用作过滤器意味着,任何单个模型的盲点都不能定义目标集合。
• 挖掘证据。 同一区域的说明文字会在两个缩放级别上进行比较。裁剪图所揭示而完整图像未揭示的内容,会被转化为一个关于完整图像的问题。这正是标题所指的“全局到缩放”差距的产生机制:该问题可以回答,但前提是模型能够在其感知边缘分辨出某些东西。
• 验证并生成干扰项。答案会与裁剪区域进行交叉核对,歧义问题会被剔除,完全无需图像即可回答的问题会被剔除,并生成选择题干扰项。消融实验表明,最后这一步确实发挥了作用——移除专用干扰项会使 held-in 基准上的得分下降 8.96 分,这是论文报告的最大单项降幅。
训练本身并不复杂。通过内置的 EasyR1 框架进行 GRPO,训练一个 epoch,批大小为 64,每个问题八次 rollout,在 9,000 条记录上共进行 140 步。仓库附带一个冒烟测试,可运行单步,包括 rollout、奖励和检查点保存,并为两种规模提供完整的启动器。PyTorch 2.10、FlashAttention 2.8.3、vLLM 0.19.1 和 transformers 5.7.0——全部固定版本,这正是可复现的仓库与仅作描述的仓库之间的区别。
真正重要的数字,以及让这个数字缩水的限定条件
{{1}}ZoomGainBench{{/1}} 被刻意设计得很难。在该基准上表现最强的模型是 {{2}}GPT-5.6-Sol{{/2}},总分为 61.08,而这 61.08 是有关照片的单项选择题满分 100 分中的得分。Claude-Opus-5 为 59.86,Gemini-3.6-Flash 为 59.41。表中最好的开放通用视觉模型 Qwen3.8-Flash-Next 拥有 1250 亿参数,达到 55.05。一个在 9,000 个样本上训练的 40 亿参数模型达到 55.81——高于 125B 通用模型,高于拥有 2.8 万亿参数的 Kimi-K3,高于拥有 3200 亿参数的 GLM-5.3-Flash。
如果那个数字经受住了独立评测框架的检验,那会是本月的大新闻。但目前还没有,原因论文也坦率说明了。ZoomGainBench 是由生成训练数据的同一套流水线构建的,论文自己的消融表把它列在标题为“Held-in”的列下。这些问题不是训练问题,但它们是同一套机制从同一分布中抽取出来的。在该分布上微调过的模型拥有零样本评估模型所不具备的优势,而这个优势究竟有多大,正是今天 inclusionAI 之外无人能够衡量的。
留出证据不那么惊艳,却更有说服力。论文报告了十个留出基准上的平均值:未经训练的 Qwen3.5-4B 为 54.20,经 ZoomGain 训练的 4B 为 60.96。在训练从未见过的基准上平均提升 6.76 分,是真实的结果。但这与击败一个 2.8 万亿参数模型并不是同一种说法。
同样值得指出的是,这种优势并不均匀。将 4B 与论文主表中的自身基座进行对比:
• 大幅提升。Visual Probe 从 43.30 提升至 57.28。O3-Bench 从 54.20 提升至 63.19。Zoom Bench 从 48.88 提升至 59.88。HR-Bench 4K 从 81.25 提升至 87.25。BabyVision 从 14.69 提升至 21.13。
• 适度提升。 MME-RealWorld-Lite 57.89 至 61.59。MMStar 66.80 至 72.53。HR-Bench 8K 77.63 至 83.88。MMVP 57.33 至 61.33。
• 一处回退。TreeBench 风格的“Tree”在训练前读数为 49.38,训练后为 49.14。下降了 0.24 分,完全在噪声范围内,但它被列入表中而非排除在外,这对该表而言是个好迹象。

什么是真正未得到确认的?
有四件事,它们比通常的免责声明更重要。
不存在独立评估。连一个第三方数字都没有。55.81、60.96 这一平均值、9B 在 HR-Bench 4K 上达到的 90.25——所有这些,都是作者在用自己的测试框架测量自己的模型。这对论文来说很正常,也不构成任何出错的证据。但这确实意味着,这些数字应当被当作主张来读。
没有托管端点。两个检查点都没有列出推理服务提供商。没有 API,没有 playground,也没有价目表。如果你想在下个月内使用这个模型,那就得自己下载 8.42 GB 并自行运行。
名称与参数数量在三处不一致。 该模型被称为 4B,GGUF 卡片写的是 4B,仓库徽章写的是 5B,而 safetensors 的实际总数为 4.54B。多出的五亿是视觉编码器和投影器,这是常见解释——但一张在第一天就无法让一个数字保持一致的卡片,说明它没有被校对过,而在你决定其余内容该信多少时,这确实值得权衡。
没有意向声明。 会有 30B 吗?会有托管版本吗?会有带留出基准的 v2 吗?仓库里没有任何说明。README 的更新日志列出了三行,日期均为 2026.11.11,全部描述的是已发布的内容,而不是接下来要做什么。

今天无需供应商即可运行它
GGUF 路线是实用路线,但它有一个硬性前提:你需要一个支持 Qwen3.5 多模态的 llama.cpp 构建。模型卡明确说明,语言模型和 mmproj 投影器是两个独立文件,并且图像输入需要两者同时具备。CLI 示例会传入 -m 用于指定模型,--mmproj 用于指定投影器,--image 用于指定图片,并以温度 0、禁用思考的方式运行,这也是评估测试框架的默认设置。 llama-server 在 8080 端口上以相同方式工作。在 Q4_K_M 下,你占用的是 2.71 GB 的语言模型加上投影器,可轻松适配笔记本电脑;在 F16 下则是 8.42 GB 加上投影器,适合工作站或单张中端 GPU。
对于任何规模化使用场景,vLLM 0.19.1 搭配 transformers 5.7.0 是受支持的技术栈,而仓库自带的评估脚本会接收一个 MODEL_PATH、一个 GPUS 列表和一个 LANGUAGE 开关,该开关可只跑英文、只跑中文,或在 2,000 个任务上两者都跑。这足以作为脚手架,让你在自己的硬件上复现所报告的数字,而这比大多数低调发布版本所能提供的还要多。
如果你不想为了弄清这个方法是否值得而先搭起一块 GPU,那么诚实的过渡做法是:拿一个今天就能调用的托管视觉模型,把“裁剪再提问”的循环先做成原型。我们的目录中有 Qwen3-VL-8B,每百万 token 输入 0.18 美元、输出 0.70 美元,还有来自 qwen3.5-35b-a3b 的 Qwen3.5 系列,价格从 0.057 和 0.459 美元起——一个密钥,无需与各供应商单独签约,还有一条路由规则:第一个模型卡住时故障转移到第二个模型。ZoomGain-4B 本身不在我们的目录中,我也不会假装它在;托管试水的意义在于,在你花一周时间自托管一个 4B 之前,先确认细粒度问题是否正是你的产品实际会答错的地方——而那个 4B 只是比它自己的父模型更擅长回答这些问题。
什么会让这件事从一时好奇变成一项决策?
三个信号,按它们能提供的信息量从大到小排列。第一,由与这条流水线没有任何利害关系的人独立运行一次 ZoomGainBench——该基准是公开的,评测框架就在代码仓库里,门槛不过是一块 GPU 和一个下午,所以这很可能先于另外两个发生。第二,一个留出集扩展:如果作者通过在一个他们未曾参与构建的基准上进行评估来回应这个显而易见的质疑,那么 55.81 就不再只是一个关于他们自己测试集的数字。第三,托管部署,这会告诉你这些权重确实能在可接受的延迟下提供服务,而不只是可以下载。
在其中某一项落地之前,对 ZoomGain-4B 的正确描述不是“小型视觉模型击败前沿模型”。而是:一个研究团队发布了一套训练配方,使一个 4B 视觉模型在其未曾训练的十项基准测试上平均提升 6.76 分,并同时发布了一个基准测试,显示同样的技巧在以相同方式构建的问题上得出了一个大得多的数字。前半部分是研究发现。后半部分是营销,而且它到来时没有新闻稿——至少这两样东西以这种顺序出现,还算令人耳目一新。
