ZoomGain-4B 文章的標題卡:標題為 {{1}}ZoomGain-4B{{/1}},副標題寫著 {{2}}inclusionAI 於 2026 年 11 月 11 日發布權重,卻未發布任何公告{{/2}},以及三個標籤分別寫著 {{3}}4.54B 參數{{/3}}、{{4}}視覺語言{{/4}} 與 {{5}}無託管 API{{/5}}。
Engineering & Research

ZoomGain-4B 於 11 月 11 日悄然出貨,事前毫無公告。

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

第一個提交位於inclusionAI/ZoomGain,時間戳記為 2026-11-09 02:13 UTC,其訊息為「Release ZoomGain init.」。至於ZoomGain-4B 的權重,則於 2026-11-10 11:38 UTC 出現在 Hugging Face 上。arXiv 清單、評估集,以及產出它的強化學習語料庫,日期全都標為 2026-11-11,也就是模型卡最後被更動的同一天。在我所能找到的任何地方,始終沒有出現的,是一篇發布貼文。inclusionAI 的網站上沒有新聞條目,該組織的 Hugging Face 頁面上除了儲存庫本身之外沒有任何公告,沒有託管端點,也沒有任何人的報導。ZoomGain-4B 是一個視覺語言模型,透過強化學習建立在Qwen3.5-4B 之上,而截至今天早上,知道它存在的人,只有那些恰好查看過某個儲存庫列表的人。這是一篇「照著儲存庫所說來寫」的文章:以下每一項數字,不是你可以自行驗證的時間戳記,就是作者放在自己模型卡上的數字;而資訊不足之處也會如實標明。

給想先掌握整體輪廓、再看細節的讀者:這個模型是 45.4 億參數的多模態檢查點,能回答關於細微視覺細節的多選題——照片中的小字、雜亂場景中的物件數量,以及唯有裁切放大後才清晰可辨的屬性。作者的主張是:視覺模型看整張影像時會漏掉一些細節,但同一區域一旦放大,它其實能完全讀懂;而這個落差可以轉化為訓練訊號。他們接著用同一套機制建立了 1,000 題基準,而在該基準上,訓練後的 4B 模型得分 55.81,其訓練來源模型則為 30.03。這兩個數字就是全部論據,但它們附帶一個論文自己指出的警告:該基準是由與訓練資料相同的流程建構,論文稱之為「held-in」。

什麼已上線,以及時間戳記顯示了什麼

對於一件沒有人宣布的事來說,這次發布異常完整。六個產物,全都在 48 小時的時間窗口內:

• 該論文。「ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision」,arXiv 2611.14076,於 2026 年 11 月 10 日提交,作者為 Haozhan Shen、Liangbo He、Jun Lan、Huijia Zhu、Weiqiang Wang、Tiancheng Zhao 及 Jianwei Yin。共七位作者,領域為 cs.CV 與 cs.AI。

• 4B 檢查點。 inclusionAI/ZoomGain-4B,BF16 格式的 safetensors。檔案中繼資料計有 4,539,265,536 個參數。程式碼採 Apache 2.0;模型卡將檢查點與資料集的條款交由各自的儲存庫規範。

• 9B 檢查點。 inclusionAI/ZoomGain-9B,9,409,813,744 個參數,在其較小版本推出四分鐘後建立。

• 量化版本。 ZoomGain-4B-GGUF 於 2026-11-11 03:09 UTC 發布,包含三種精度與對應的視覺投影器:Q4_K_M 為 2.71 GB、Q8_0 為 4.48 GB、F16 為 8.42 GB,每個都附有 mmproj 檔案供影像編碼器使用。隨後推出了 9B GGUF。

• 此基準測試。 inclusionAI/ZoomGainBench,1,000 道問題,涵蓋 941 張影像,每個項目均含英文與中文文字,並附有參考答案、評分規則,以及以像素座標表示的證據邊界框。

• 訓練資料。 inclusionAI/ZoomGain-RL-Data,Parquet 格式的 9,000 筆記錄與 7,713 張來源影像,並包含訓練腳本所需的獎勵中繼資料。

這份安靜並不神祕,也不陰險。這正是研究團隊內部發布會有的樣子:論文先通過 arXiv,卻還沒有人寫部落格文章。線索全都在那裡:11 月 11 日早上的三個提交全都標題為「update readme」,彼此相隔十四分鐘;GitHub 儲存庫只有三顆星,描述欄位也沒填;兩個 checkpoint 儲存庫都顯示零次下載、零個讚;4B 模型頁面則帶有警告,指出 YAML 中介資料為空或缺少。這些都不是關於模型的證據,而是關於發布過程的證據。

Screenshot of the inclusionAI/ZoomGain-4B model card on Hugging Face, captured 11 November 2026, showing the repository header, the parameter metadata and the opening of the model card text.

方法,分三步

ZoomGain 有趣的地方不在於模型,而在於題目是怎麼製作出來的。這套流程分三個階段,只有第一階段是常規做法。

• 定位目標。數個模型會獨立定位完整場景中所描述的區域。當它們看法一致時,該共識即被視為值得保留的裁切區域。以分歧作為篩選條件,意味著沒有任何單一模型的盲點能定義目標集合。

• 挖掘證據。同一區域的圖說會在兩個縮放層級下進行比較。凡是裁切圖能揭示、而完整影像無法揭示的內容,都會被轉化為一個關於完整影像的問題。這正是標題所指的「從全局到縮放」落差產生的機制:這個問題可以被回答,但前提是模型必須在其感知邊緣解析出某些東西。

• 驗證與誘答。答案會與裁切影像交叉核對,模稜兩可的題目會被剔除,完全不需要影像就能回答的題目也會被剔除,並生成選擇題的誘答選項。消融實驗顯示,最後這一步確實有實際作用——移除專用誘答選項會使 held-in 基準測試下降 8.96 分,這是論文中報告的最大單一降幅。

訓練本身並不稀奇。透過內建的 EasyR1 框架進行 GRPO,一個 epoch、批次大小 64、每個問題八次 rollout,換算下來是在 9,000 筆記錄上執行 140 步。該儲存庫附有一個冒煙測試,會執行單一步驟,包含 rollout、獎勵與檢查點儲存,以及兩種規模的完整啟動器。PyTorch 2.10、FlashAttention 2.8.3、vLLM 0.19.1 與 transformers 5.7.0——全部固定版本,這正是能重現的儲存庫與僅止於描述的儲存庫之間的差別。

真正重要的數字,以及會讓它縮小的但書

ZoomGainBench 刻意設計得相當困難。在其上表現最強的模型是 GPT-5.6-Sol,總體得分為 61.08,而這是在關於照片的多選題上、滿分 100 分中的 61.08 分。Claude-Opus-5 為 59.86,Gemini-3.6-Flash 為 59.41。表中最佳的開放通用視覺模型 Qwen3.8-Flash-Next 擁有 1,250 億參數,達到 55.05。一個以 9,000 個樣本訓練的 40 億參數模型則達到 55.81——高於 125B 的通用模型,高於擁有 2.8 兆參數的 Kimi-K3,也高於擁有 3,200 億參數的 GLM-5.3-Flash。

如果那個數字能經受獨立評測框架的檢驗,那會是本月最轟動的消息。目前還沒有,而原因正是論文坦然說明的。ZoomGainBench 是由產出訓練資料的同一條流程建構而成,而論文自己的消融表也把它列在標題為「Held-in」的欄位下。那些題目不是訓練題目,但它們是由同一套機制從同一分布中抽取出來的。在該分布上微調過的模型,具備一個以零樣本方式評估的模型所沒有的優勢,而這項優勢究竟有多大,正是如今 inclusionAI 之外無人能衡量的事。

留出證據不那麼驚人,卻更有說服力。論文報告了十個留出基準測試的平均值:未經訓練的 Qwen3.5-4B 為 54.20,經 ZoomGain 訓練的 4B 為 60.96。在訓練從未見過的基準測試上平均提升 6.76 分,是真實的結果。只是這與擊敗一個 2.8 兆參數模型的主張並不相同。

同樣值得留意的是,這項優勢並非一致。將 4B 與其自身基底模型在論文主表中進行比較:

• 大幅提升。 Visual Probe 43.30 至 57.28。O3-Bench 54.20 至 63.19。Zoom Bench 48.88 至 59.88。HR-Bench 4K 81.25 至 87.25。BabyVision 14.69 至 21.13。

• 中度提升。 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。

• 一項退步。TreeBench 風格的「Tree」在訓練前讀數為 49.38,訓練後為 49.14。下降了 0.24 點,完全落在雜訊範圍內,但它被列在表中而不是排除在外,這對這張表而言是個好跡象。

Single-column scoreboard card titled ZoomGain-4B: what the repository says, with six rows: Parameters 4.54B, Parent model Qwen3.5-4B, ZoomGainBench 55.81 held-in, ten held-out benchmarks 60.96 versus 54.20, Hosted API none, Announcement none found, plus a footer noting the figures are vendor-reported and unaudited.

什麼是真正未經確認的?

有四件事,而它們比一般的免責聲明更重要。

目前沒有獨立評測。連一個第三方數字都沒有。55.81、60.96 的平均值、9B 在 HR-Bench 4K 上達到的 90.25——這些全都是作者用自家測試工具量測自家模型所得的結果。這在論文中屬正常做法,並不代表有任何問題。但這確實意味著這些數字應被視為主張來看待。

沒有託管端點。這兩個檢查點都沒有列出推論供應商。沒有 API、沒有 playground、沒有費率表。如果你想在接下來一個月內使用這個模型,就得自己下載 8.42 GB 並自行執行。

名稱與參數量有三處不一致。模型名稱叫 4B,GGUF 模型卡寫著 4B,儲存庫標章寫著 5B,而實際 safetensors 總數是 4.54B。多出的五億是視覺編碼器與投影器,這是常見的解釋——但一張在第一天就無法讓同一個數字保持一致的模型卡,表示它沒有被校對過,而當你在決定其餘內容該信多少時,這確實是值得納入考量的點。

沒有任何意向聲明。會有 30B 版本嗎?會有託管版本嗎?會有附帶留出基準測試的 v2 嗎?儲存庫裡完全沒有說明。README 的更新日誌列出三行,日期全都是 2026.11.11,且全都在描述已發布的內容,而非接下來會推出什麼。

Screenshot of the inclusionAI/ZoomGain GitHub repository, captured 11 November 2026, showing the repository name, description, commit history and file listing at the top level.

今天在沒有供應商的情況下營運它

GGUF 路徑是實用的選擇,而且它有硬性前提:你需要一個支援 Qwen3.5 多模態的 llama.cpp 建置。模型卡明確指出,語言模型與 mmproj 投影器是分開的檔案,且圖像輸入需要兩者。CLI 範例會傳入 -m 指定模型、--mmproj 指定投影器、--image 指定圖片,並以溫度 0 且停用思考模式執行,這也是評估框架預設的方式。llama-server 在連接埠 8080 上也是相同運作方式。在 Q4_K_M 下,你持有 2.71 GB 的語言模型加上投影器,能舒適地放在筆電上;在 F16 下,則是 8.42 GB 加上投影器,屬於工作站或單張中階 GPU 的範疇。

若要以大量規模執行,受支援的技術堆疊是 vLLM 0.19.1 搭配 transformers 5.7.0,而儲存庫內建的評估腳本會接收 MODEL_PATH、GPUS 清單,以及 LANGUAGE 開關,該開關可只執行英文、只執行中文,或兩者都執行,共 2,000 項任務。這樣的配套基礎已足以讓你在自己的硬體上重現所報告的數字,這比大多數低調發布的版本所提供的還多。

如果你不想只為了弄清楚這個做法到底有沒有價值就架設 GPU,那麼誠實的過渡做法,是先針對你今天就呼叫得到的託管視覺模型,做出「裁切再詢問」流程的原型。我們的型錄上有 Qwen3-VL-8B,每百萬 token 輸入 $0.18、輸出 $0.70,以及 Qwen3.5 系列中的 qwen3.5-35b-a3b,輸入 $0.057、輸出 $0.459 起——一組金鑰、無需逐一與供應商簽約,還有一條路由規則,會在第一个模型卡住時容錯切換到第二個模型。ZoomGain-4B 本身不在我們的型錄上,我也不會假裝它在;採用託管服務繞道的重點,是先確認細部細節問題是否正是你的產品實際會答錯的地方,免得你花一週自架 4B,結果它只是比自己的母模型更會回答這些問題。

什麼會讓這件事從好奇變成一個決定?

三個訊號,依它們能告訴你的資訊量多寡排序。第一,由與這條流程毫無利害關係的人獨立跑一次 ZoomGainBench:這個基準是公開的,測試框架就在儲存庫裡,進入門檻只是一張 GPU 和一個下午,所以這很可能會比其他兩者更早發生。第二,留出集延伸驗證:如果作者透過在他們未曾參與建置的基準上評估,來回應這個顯而易見的質疑,那麼 55.81 就不再只是關於他們自家測試集的數字。第三,託管部署:這能告訴你這些權重確實可在可接受的延遲下提供服務,而不只是可供下載。

在其中一項落地之前,對 ZoomGain-4B 的正確描述不是「小型視覺模型擊敗前沿模型」,而是:一個研究團隊發表了一套訓練配方,能在十個它未在其中訓練過的基準上,平均讓一個 4B 視覺模型提升 6.76 分,並且同時發表了一個基準,顯示同樣的技巧在以相同方式建構的問題上產生大得多的數字。前半部分是發現。後半部分是行銷,而且它是在沒有新聞稿的情況下出現的,這至少是這兩樣東西登場時一種令人耳目一新的順序。