ZoomGain-9B 對比 Gemma 4 12B：基準測試中缺失的那一行

發布時，共有二十八個模型在 ZoomGain 基準上接受評分。四個閉源前沿系統、四個代理式視覺模型、四個細粒度專用模型，以及十六個開放式通用模型。G​emma 不在其中——不是 G​emma 4 12B，不是 Gemma 4 31B，也不是 E 系列中的任何一個。這項遺漏是比較 ZoomGain-9B 與 G​emma 4 12B 時最有用的單一事實，因為這意味著你能建立的每一張「ZoomGain vs G​emma」表格都有一個缺口；而本文要談的是這兩個模型實際上是什麼，而不是一個不存在的數字。

兩者在規模上足夠接近，因而引人比較；但在用途上又相距夠遠，使這種比較具有誤導性。ZoomGain-9B 是 inclusionAI 的 9B 視覺語言檢查點，以強化學習在 9,000 個由裁切影像挖掘出的問題上進行後訓練，於 2026 年 11 月 10 日發布，附有論文但沒有公告。Gemma 4 12B 是 Google DeepMind 的 11.95B 無編碼器統一多模態模型，於 2026 年 5 月 23 日發表，採用 Apache 2.0 授權，過去一個月有 180 萬次下載和 1,730 個讚。一個是僅展示出一項能力的研究工具。另一個是產品，具備授權條款、一套文件、六種量化版本，以及半年的社群使用經驗。

每一個實際上是什麼

G​emma 4 12B 是 G​emma 4 系列中在架構上很有意思的一員。E2B、E4B 與 31B 模型採用專用編碼器——小型模型上約 150M 參數的視覺塔，31B 上約 550M——並將嵌入傳遞給語言模型。12B 則不然。它透過輕量級線性層，將原始影像區塊與音訊波形直接投影到解碼器的嵌入空間；這正是其名稱中「Unified」的含義，也是音訊支援存在於此模型、而不存在於 31B 的原因。

它的架構：48 層，隱藏層大小 3,840，中間層 15,360，16 個查詢頭對應 8 個 KV 頭、頭維度為 256，詞彙表大小為 262,144 個 token，最大位置數為 262,144。它的 48 層中有 40 層是視窗大小為 1,024 個 token 的滑動視窗注意力；8 層是完整注意力，而最後一層始終是全域注意力。三種輸入模態、文字輸出、256K 上下文，以及原生的系統角色。

ZoomGain-9B 的建構方式恰好相反。其文字主幹是 Qwen3.5-9B——32 層、隱藏維度 4,096、中間維度 12,288、線性注意力與全注意力以 3:1 的比例安排、最大位置數 262,144——並附上由基礎模型加裝的視覺塔，而非在此處自行設計。作者在此主幹之上，對 9,000 個問題執行 GRPO，這些問題的答案取決於只有放大某一區域時才看得見的細節。此模型並非作為通用助理來訓練，也未以通用助理自居。

• 參數 — G​emma 4 12B 為 11.95B，對比 ZoomGain-9B 約 9.4B（BF16 下為 18.82 GB，相對於 12B 的檔案大小）。

• 模態 — G​emma 4 12B 接受文字、圖像、影片與音訊；ZoomGain-9B 接受文字與圖像。音訊並非 ZoomGain 實作上的缺口，而是其設定中根本不存在。

• 上下文 — Gemma 4 12B 記載為 256K。ZoomGain-9B 的模型卡未記載任何內容；其設定從 Qwen3.5-9B 主幹繼承 262,144 個位置，這並不等同於微調檢查點經測試所得的屬性。

• 授權條款 — Gemma 4 12B 採用 Apache 2.0，並附有具名授權檔案。ZoomGain-9B：程式碼採用 Apache 2.0，檢查點條款則延後至一張未標示授權標籤的卡片。

• 發行方式 — Gemma 4 12B 以 BF16 形式推出，QAT q4_0 GGUF 為 6.98 GB，並附 0.18 GB 投影器，另提供來自 ggml-org、unsloth 與 litert 的建置；ZoomGain-9B 以 BF16 加上 GGUF 形式推出，提供 F16、Q8_0 與 Q4_K_M，自 11 月 11 日起。

• 文件 — Gemma 4 12B 有發布部落格、技術報告、框架 cookbook 與授權條款頁面。ZoomGain-9B 有論文、儲存庫，以及一張未註明上下文長度的模型卡。

為什麼缺失的那一列不是你可以隨手帶過的疏漏

ZoomGain 基準旨在揭露一種失敗：模型無法解析大型畫面中的微小細節。作者以 1,000 道題目與 941 張圖片，涵蓋英文與中文，評估屬性辨識、計數與 OCR，選擇題與整數採完全匹配，OCR 則採 ANLS 並以 0.7 為下限。在該測試中，二十八個模型中最佳者達到 61.08，僅有五個突破 50。

Gemma 4 12B 尚未在其上執行過。其他任何 Gemma 也都沒有。這讓你只剩兩個選項，而其中只有一個是誠實的。你可以把 Gemma 的 MMMU Pro 69.1 和 MATH-Vision 79.7 拿來對上 ZoomGain 在留出集上的平均 66.10，然後稱之為比較；但這是拿一套廣泛的多模態基準套件，去比十三項感知基準的平均值，產生的數字毫無意義。或者，你可以說出事實：沒有人用同一把尺量過這兩者；如果這個問題對你很重要，該基準測試可供下載，你一個下午就能自己跑。

第二個選項比聽起來更便宜。ZoomGainBench 以標註、影像與評估器形式提供；評估可接受 OpenAI 相容端點或本機檢查點，以溫度 0 並在停用思考的情況下執行，並回報逐題結果。G​emma 4 12B 可在 vLLM 或 llama.cpp 下執行。這是你確實可以做出的正面對決，而基準作者未納入 G​emma 這件事本身就很有啟發性——該模型在此基準發布前已可用六個月。

Gemma 4 12B 的數字在哪裡，以及它們代表什麼意思

這些是 Google 自己在模型卡中提供的數字，尚未由中立實驗室重現：

• MMMU Pro 69.1 — 多模態推理套件，也是 Gemma 規格卡上最接近視覺能力聲明的一項。

• MATH-Vision 79.7 — 對圖表與圖像進行數學推理。

• OmniDocBench 1.5 平均編輯距離為 0.164——文件解析，數值越低越好；31B 達到 0.131。

• MMLU Pro 77.2、GPQA Diamond 78.8、AIME 2026 77.5（不使用工具）——文字能力方面，ZoomGain-9B 完全未宣稱。

• τ² 平均 69.0，以及原生函式呼叫 — 代理式工具運用。

• MRCR v2 八針測試在 128K 下為 43.4% — 長上下文檢索，也是最削弱 256K 頭條宣傳的數字。

最後一項值得強調。256K 的視窗並不代表 256K 的可用注意力，而 Google 公布在 128K 時降至 43.4% 的檢索分數，比大多數模型卡所提供的更為坦率。若你的工作負載是「在一份大型文件中找出單一事實」，Gemma 4 12B 的視窗是真實的，但其深處的召回表現平平；而 ZoomGain-9B 則沒有對應的測量數據，因為並未對它進行長上下文評估。

在 ZoomGain-9B 有數字的地方，以及每個數字附帶的但書

所有由作者報告的結果，均基於已釋出的測試框架：

HR-Bench 4K 達 90.25，較其來源模型 Qwen3.5-9B 的 82.13 有所提升。高解析度感知，也是本次發布的主打宣稱。

• V*Bench 93.19，較 86.91 提升。雜亂場景中的小型物件偵測。

• MMVP 70.00，較 60.00 提升。這項配對圖像測試中，兩張幾乎相同的圖片各有不同的正確答案——是現有最接近 ZoomGain 訓練目標的類比。

ZoomGainBench 55.48，從 32.13 上升。held-in 欄位因建構方式而膨脹，作者也如此表示。

• 十三項基準測試的留出集平均為 66.10，高於 59.75。這才是真正有意義的數字。

這些注意事項，依你應該擔心的程度排序。第一，作者名單以外沒有人重現過其中任何結果。第二，基準測試與訓練資料來自同一條管線，因此論文將自己的基準測試排除在留出集平均值之外——這種紀律值得肯定。第三，訓練集有 9,000 筆記錄，規模小到即使增益真實存在，也可能很有限。第四，該模型沒有託管端點，且在撰寫本文時，Hub 上的供應商映射是空的。

成本，以真正決定它的條件來衡量

G​emma 4 12B 在 QAT q4_0 下為 6.98 GB，外加 0.18 GB 的投影器。這能輕鬆放進 16 GB 的筆電還綽綽有餘，若費點功夫也能塞進 8 GB 的顯示卡。ZoomGain-9B 在 Q4_K_M 下為 5.63 GB，外加 0.52 GB 的投影器；在 Q8_0 下則是 9.53 GB，外加 0.62 GB。9B 在每種精度下的下載檔都較小，因為它本身就是較小的模型，而且其以線性注意力為主的主幹意味著在長序列長度下 KV 快取較短，若你喂給它的是高解析度影像而非長文字，這一點就很重要。

今天這兩個都無法透過我們呼叫。G​emma 4 12B 不在 OrcaRouter 的目錄裡，ZoomGain-9B 也不在，所以誠實的說法是：這兩者都屬於自架或供應商 API 的抉擇。我們有託管的是Gemma 4 26B A4B，每百萬輸入 token 收費 0.06 美元、每百萬輸出 token 收費 0.33 美元，視窗為 262K——同一個家族、四倍的有效參數預算，而且是在你下載任何東西之前，先確認 G​emma 的文件解析特性是否適合你的管線的一種正當做法。一組金鑰就能涵蓋它與其他 200 多個模型，按牌價計費、不加價，因此要在一個視覺端點與一個便宜的文本模型之間做一次評比，只需花一個下午，而不是簽三份合約。

依工作挑選，而非依職級

如果任務是大圖像中的一個小細節——裝置上的序號、遠處招牌上的文字、四十個物件中某一個的顏色、立面上一扇窗的計數——ZoomGain-9B 就是為此而打造的，但要注意其證據是自述的，且其授權條款需要細讀。它的架構正是針對你正遭遇的這種失效模式而最佳化。

如果任務是其他任何視覺性質的工作——閱讀多頁文件、描述場景、回答關於圖表的問題、同時接收音訊與影像，之後再呼叫函式——G​emma 4 12B 就是完成品，而比較也不再旗鼓相當。它具備 140 種語言的預訓練、原生工具呼叫、附有公開檢索曲線的 256K 視窗、六種量化，以及一份你可以直接交給法務、無須任何解釋的授權。

如果任務同時包含兩者，誠實的答案是：這兩者其實是同一條管線的兩個層次，而不是替代方案。2026 年務實的文件代理會用通用多模態模型進行解析，並把真正重要的裁切區域升級交給感知專家處理——而升級正是有趣的工程所在，因為這代表要判斷某個細節是否值得再發一次呼叫。那是路由問題，也是我們在意它的原因：把便宜呼叫導向便宜模型、把升級導向任何能達到你門檻的端點，這只是一處設定變更；而容錯移轉意味著某個卡住的專家不會拖住整條管線。

以證據所支持的形式陳述的結論

G​emma 4 12B 在所有非感知基準的衡量指標上，都是更安全的購買選擇：授權、文件、發行、廣度、社群，以及 G​oogle 會公布你可以據以爭論的數字這件事。ZoomGain-9B 是更有趣的模型，而且很可能在某項特定工作上會是更好的工具，但其依據是尚未經論文作者以外任何人檢核的證據。

正確的下一步取決於你發現自己同意的是哪一句。如果是第一句，下載 QAT GGUF，然後停止閱讀。如果是第二句，下載 ZoomGainBench 以及權重——941 張影像、1,000 個問題、一個評估器，以及一個你可以自行產生的數字——並讓 G​emma 跑過它。那麼你將是第一個這麼做的人，而且你會知道一些關於這兩個模型、而目前兩家廠商都不知道的事。