ZwZ2-4B 未发布即上线：模型卡说了什么，又避而不谈什么

该ZwZ2-4B 仓库创建于 2026 年 10 月 15 日 06:11 UTC，而截至今天早上，它的下载量和点赞数均为零。对于一个无人宣布的检查点来说，这并不稀奇。稀奇的是，它还附有一份完整的模型卡：方法部分、训练数据描述、快速开始区块，以及一项头条结果，声称在 25 个基准上较 Qwen3.5-4B 提升了 5.38 分，后者是它微调所基于的模型。inclusionAI 发布了文档，却没有发布公告。模型卡在那里；新闻稿不在；而这两者之间的差别，就是这个检查点的全部故事。

本文刻意限定了自己要断言的范围。下文凡标注为仓库事实的内容，均直接读自文件——配置文件、权重索引、数据集条目、模型卡片本身。凡标注为厂商声明的，都是 inclusionAI 自己的数字，是作为声明而非作为结果复述的。目前并不存在对 ZwZ2-4B 的独立评测，任何告诉你并非如此的人，只是在把模型卡片原样念回给你听。

实际落地了什么，分别在哪些日期

ZwZ2 系列在大约二十三个半小时的时间窗口内登场，按尺寸倒序排列。ZwZ2-4B 最先出现，于 10 月 15 日 06:11 UTC。ZwZ2-9B 随后于 10 月 16 日 03:42 出现。ZwZ2-27B 于当天早上 05:42 收尾。训练数据集 inclusionAI/ZwZ2-RL-VQA 在三天后的 10 月 19 日出现。三个仓库、该数据集以及该系列集合都带有今天 10 月 27 日的时间戳——这是对一个仍没有任何公开公告与之关联的系列进行的最近一次维护。

没有发生的事情是：inclusionAI 的博客上没有条目，也没有发布帖。这三个检查点确实共享一个集合，Zooming-without-Zooming-v2，共有四项，但集合只是一个容器，而不是一份公告。托管第一代代码的 GitHub 仓库完全没有更新——它仍然列出四个模型：ZwZ-2B、ZwZ-4B、ZwZ-7B 和 ZwZ-8B，全部基于 Qwen3-VL 主干构建。v2 系列不在其中。如果你去寻找生成 ZwZ2-4B 的代码，你会找到其前代的代码，而那里的 README 不会提到你手上的这个模型。

这一主张，仅作为主张来陈述

inclusionAI 的模型卡报告称，基础模型的总体准确率为 49.41，ZwZ2-4B 为 54.79，这些结果是在归入六个领域的 25 个基准上测得的。模型卡称，该模型在所有这些基准上均有所提升，并且总体平均和领域平均对每个基准等权。它列出的六个领域是细粒度感知、空间推理、长上下文理解、多模态智能体与通用视觉推理，以及承载头条数字的细粒度组。

这两个数字构成了该模型全部的定量论据。各基准的分数在页面上以图件形式存在——一张 PNG 和一张 SVG——而不是文本，这意味着八个代表性结果和全部二十五个结果虽可见但无法机器读取。唯一以文字描述的基准集是 MMLongBench*，其视觉核心列为 V-RAG、Image MM-NIAH 和 VH-Multi，涵盖 25 个非 Counting 任务。模型卡还指出，“高级模型”的图像分辨率受服务平台限制，这是一个合理的说明，也提醒人们：感知分数在一定程度上是在说明图像是如何到达模型的。

在 25 个基准测试上取得 +5.38 的平均提升，对于 4B 级模型来说是一个很大的宣称。这也恰恰是厂商最有资格提出、却最不适合验证的那类宣称，因为基准测试集、权重和分辨率都是厂商自己选定的。应把 54.79 视为需要复现的数字，而不是用来制定规划的数字。

方法：单次通过，不缩放，不使用 SFT

这套训练流程名为 EvidenceConnect，它是实验室今年早些时候以"Zooming without Zooming"为名发表的一个想法的第二代。其前提是：细粒度的视觉感知通常在推理阶段解决——裁剪出区域、重新提问、如此重复——而这种做法既昂贵又脆弱。ZwZ2 则转而教会模型在单次前向传播内关注区域证据。

构建过程分为四个步骤，正如卡片所描述的那样。相关区域会被分组，每张图像三到七个，取自 SA-1B。问题针对这些区域的特权放大视图生成，因此出题者能看到策略模型在推理时永远看不到的细节。然后这些问题会经过两轮过滤——通过跨模型一致性，以及通过留一区域测试来检查移除某个区域是否真的会改变答案。验证过的问题会变成四选项多项选择任务，模型使用 GRPO 训练。完全没有监督微调阶段。

在推理时，策略会看到绘制有彩色区域轮廓的完整图像。特权裁剪图仅在数据构建期间存在。该系列中的每个模型规模都使用了大约 20,000 个训练样本；数据集卡片给出的确切数字是 20,662 道多项选择题、五次下载，创建日期为 10 月 19 日。

这个设计有一个显而易见的后果，值得提醒任何计划评估它的人。一个只在四选一多项选择题上训练的模型，正在针对一种与开放式图像描述或自由形式视觉问答截然不同的任务形态进行优化。如果你的工作负载要求生成一段关于图像的段落，那么这个检查点并未针对这一点进行训练，而模型卡片的局限性部分也明确说明了这一点：幻觉细节、误读文本、计数错误、空间错误。

该配置所证明的内容，与实验室无关

有一类事实你无需凭信任接受，因为它只是对已发布文件做算术。ZwZ2-4B 在 BF16 下有 4,539,265,536 个参数，存储为单个 9.08 GB 的 safetensors 文件。Hugging Face 页面将其四舍五入为“5B”，这算是往宽了取整；索引显示为 4.54B。它的基座 Qwen3.5-4B 有 4,659,865,088 个参数——因此衍生模型有约 1.206 亿个参数的缩减更小，相比训练它的模型

这个差异在配置里有一个明确的解释。Qwen3.5-4B 声明了一个多 token 预测层；ZwZ2-4B 声明为零。推测解码头已被移除。从一个 4.6B checkpoint 中剥离一个 MTP 头，你几乎正好落在观测到的差距上。这与 9B 同系列模型所带的改动完全相同，而这是目前可用的最有力证据，说明它们是后训练得到的衍生物，而非全新训练的模型。

堆栈的其余部分与基础版本相比没有变化：

• 深度 — ZwZ2-4B 和 Qwen3.5-4B 均为 32 层

• 宽度 — 隐藏大小 2,560，中间层 9,216

• 注意力——16 个查询头对 4 个 KV 头，头维度为 256，采用 3:1 的线性到全注意力安排（24 个线性层，8 个全注意力层）

• 词表 — 248,320 个 token，绑定嵌入

上下文 — 262,144 个位置，M-RoPE 按 11/11/10 拆分，部分旋转因子 0.25

• 视觉塔 — 24 层，隐藏维度 1,024，图像块大小 16，2×2 空间合并

• 运行时 — transformers 5.13.1，架构标识符 Qwen3_5ForConditionalGeneration

聊天模板值得用一行来说明，因为它会改变模型的默认行为。发布的模板以非思考模式运行，并指示模型将最终答案放在 <answer> 标签内。如果你用期望自由文本的通用 VLM 测试框架来加载它，输出里就会出现这些标签，而你还会纳闷为什么。

这张卡没有告诉你的事

有三处差距比卡片上所说的任何内容都更重要。

首先是许可证问题。该仓库没有 LICENSE 文件，也没有许可证标签。模型卡自身的措辞诉诸“随已发布权重一同提供的许可证以及适用的基座模型许可证”——但根本不存在可供诉诸的随附许可证文件。基座模型 Qwen3.5-4B 采用 Apache-2.0，因此最可能的解读是该衍生模型继承此许可证。“很可能”并不等同于“已声明”，而且法务审查不会接受模型卡中指向一个并不存在文件的表述。

第二个是论文。v2 方法——EvidenceConnect、单区域剔除过滤器、仅使用 GRPO 的训练——没有公开的书面说明。卡片上的论文链接仍然是字面占位符 PAPER_URL。仓库所附的唯一 arXiv 标识符 2602.11858 是第一代论文，描述的是在 Qwen3-VL 骨干上的区域到图像蒸馏：不同的方法、不同的基础模型系列，以及一组不同的数字。数据集卡片继承了相同的标识符，因此该标签传播了这一不匹配。

第三点是{{1}}缺乏任何独立测量{{/1}}。没有任何排行榜给{{2}}ZwZ2-4B{{/2}}评过分，也不存在复现，下载计数器仍停留在零。一个模型可以既出色又未经测量；要点只在于，实验室之外尚无任何东西证实{{3}}54.79{{/3}}。

你会掉进的命名陷阱

搜索这个模型，你会先找到另一个模型。第一代 ZwZ-4B 是一个真实且有文档记录的检查点，基于 Qwen3-VL-4B 构建；它公布的平均成绩为 66.86，而其骨干模型为 61.52，ZoomBench 得分为 55.74。这些数字被广泛引用，但它们不是 ZwZ2-4B 的数字。它们属于不同的基础模型、不同的训练方案和不同的基准测试套件。

这两个名称仅相差一个字符。将二者混在一起的对比表会显得内部一致，但实际上是错误的。如果某个供应商页面或聚合平台显示 ZwZ2-4B 为 66.86，那正是你看到的错误。

如果你这周需要一个小型视觉模型

ZwZ2-4B 并不在 OrcaRouter 的目录中，本文也不会佯装并非如此。它是一个需要你自己下载并自行部署服务的检查点；Hugging Face 页面所认可的任何地方都没有为它提供托管端点，而且该页面明确表示，没有任何推理服务商为其提供服务。

目录中确实有可用于同一任务的实用替代方案：qwen/qwen3-vl-8b-instruct，价格为每百万输入 token 0.18 美元、每百万输出 token 0.70 美元，上下文长度为 131K，并与其他所有模型一样通过同一个 OpenAI 兼容端点提供服务。如果你计划用托管视觉基线来评估 ZwZ2-4B，这就是那个基线；用一个密钥运行两者意味着只需一个客户端库和一份账单，而不是两套集成。OrcaRouter 可路由 200 多个模型，并具备自动故障转移能力，因此基于该端点构建的视觉路径不依赖于单一上游服务持续健康运行。

对于一个零下载量、也没有许可证文件的模型来说，这才是诚实的建议：对比可以租，实验要自己拥有。

什么会改变这一评估？

三件事，按重要性从高到低排列。一份许可证文件，它会把一个法律上的未知项变成一个法律上的答案。一篇公开的 v2 论文，它能让人检查 EvidenceConnect 的过滤是否存在泄漏——drop-one-region 测试是个好主意，而好主意恰恰需要审计。以及任何第三方评分，随便哪一种都行，因为在一个中立的评测框架上做一次可复现的基准测试，对这个检查点来说，会比模型卡上再多一千字更有用。

在其中任何一个落地之前，ZwZ2-4B 都是一个有完整文档记录、未对外公布、未经评测的 4.54B 感知专用模型，其自己的模型卡声称它比基座模型高 5.38 分。这是一个真实且具体的说法。它还不是结果，而这一区别是唯一值得从这个代码仓库中带走的东西。