「ZoomGain-9B」細粒度認識に特化した視覚言語モデル:必要VRAM 8GB〜・GGUF版あり

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | inclusionAI/ZoomGain-9B |
| まとめページ | ZoomGain のまとめ(記事3本) |
| 公開元のまとめ | inclusionAI(Ant Group) のモデルとライセンスのまとめ |
| 公開日 | 2026-11-10 |
| 配布形式 | safetensors |
| 論文 | arXiv:2611.14076 |
| 出典の種類 | 公開元の一次情報(公式HFリポジトリで裏付けあり) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
inclusionAIより、視覚言語モデル(VLM)「ZoomGain-9B」が公開されました。
論文「ZoomGain: Mining Global-to-Zoom Perception Gaps for Fine-Grained Visual Supervision」(https://arxiv.org/abs/2611.14076)の要旨によれば、本モデルは全体画像とズーム(拡大)領域の認識差(global-to-zoom perception gap)を利用し、拡大して初めて判明する視覚的詳細から全体画像に対する質問を自動生成・検証する「ZoomGain」手法によって開発されています。手動による質問回答の編集を行わず、9,000件(9K)のZoomGainデータを用いた強化学習を行うことで、モデルの微小な視覚認識能力を高めることを目的に作られました。
スペック
- パラメータ数:9.4B
- アーキテクチャ:Qwen3_5ForConditionalGeneration
性能
モデルカードおよび論文の公表値によると、ZoomGain-9Bは複数の細粒度視覚認識ベンチマークや一般的な視覚認識テストにおいて高いパフォーマンスを示しています。
具体的には、HR-Bench 4Kベンチマークにおいて90.25のスコアを達成したと報告されています。論文の要旨では、わずか9KのZoomGainサンプルで学習された4Bおよび9Bモデルが、多様な認識ベンチマークにおいて数百億パラメータ規模のモデルを上回ったと説明されています。
一方で、開発チームが作成した1,000問の評価ベンチマーク「ZoomGainBench」における測定結果では、検証された全28種類のVLMの最高スコアが61.08にとどまっており、視覚モデルが誤答時に特定の選択肢(ディストラクター)を選びやすい傾向があるといった課題も分析されています。
なお、掲載しているスコアは論文著者および開発元が自ら公表した測定数値であり、第三者による独立検証の数値ではない点にご注意ください。
得意なこと・想定用途
ZoomGain-9Bは、画像の全体像を見渡しただけでは把握が難しい微小な視覚情報や、拡大して初めて確認できる詳細な証拠を正確に読み取り、解釈するタスクにおいて優れた適性を持ちます。
具体的には、画像内の物体や人物の詳細な特徴を判断する属性認識(attribute recognition)、混雑したシーンや小さな対象を正確に数え上げるカウント(counting)、複雑な画像中の細かな文字を読み取るOCR(光学文字認識)などの高度な細粒度視覚タスクに強みを発揮します。これらは、従来の多くの視覚言語モデル(VLM)が共通して苦手としていた分野であり、全体的な文脈や言語的な先入観に頼らず、実際の視覚的証拠に基づいた正確な解答が求められる場面で効果を発揮します。
さらに、質問および回答テキストは英語と中国語の両方(バイリンガル)に対応しており、多言語環境における細粒度な視覚的質問応答(Visual Question Answering)にも適用可能です。複雑な視覚素材の解析、詳細な書類・ラベルのテキスト解読、微細な部品の点検、広範囲の画像から特定の小さな領域の情報を抽出する各種エージェント処理など、高精度の視覚的裏付けが必要な幅広いアプリケーションでの利用が想定されています。
また、本モデルは推論・利用だけでなく、細粒度な視覚認識能力を高める強化学習(RL)やデータパイプラインの研究・開発の基礎としても適しています。開発チームは本モデルの公開に伴い、全体画像と拡大領域の認識ギャップを活用して自動生成・検証された9,000件の学習レコードからなる「ZoomGain-RL-Data」および、1,000問(2,000タスク)で構成される評価ベンチマーク「ZoomGainBench」を併せて公開しています。これらを活用することで、既存モデルに対する追加の強化学習や、細粒度認識機能の検証を自前で実施することも可能です。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 9.4B
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| RTX 4060 / 3060 Ti など 8GB | Q4_K_M | 5.2GB | 6.3GB |
| RTX 4070 / 3060 12GB など 12GB | Q8_0 | 8.9GB | 10.6GB |
| RTX 4090 / 3090 など 24GB | F16 | 16.7GB | 20.0GB |
推論エンジンの対応状況(各プロジェクトのソースにあるモデル登録表とアーキテクチャ名を当サイトが機械的に照合。2026-11-17 時点): llama.cpp: 登録あり、vLLM: 登録あり、MLX (mlx-lm): 登録あり。
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 ファイルサイズは変換版 inclusionAI/ZoomGain-9B-GGUF の配布ファイルの実測値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は safetensors です。
量子化の圧縮率: Q4_K_M は実測 4.75 bit/weight で、元の16bitの重みの約30%のサイズです(配布ファイルの実サイズから当サイトが算出)。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。
当サイトでの実測
ライセンスの都合で行っていない実測
このモデルにはライセンスの表示が無く、利用の許諾を確認できません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。
入手方法
本モデルは safetensors 形式で配布されています。Hugging Face Hubにてパブリックに公開されており、利用にあたってアカウントのライセンス同意手続き(gatedモデル)は不要です。
Hugging Face CLIを使用してローカル環境へモデルウェイトをダウンロードする場合は、以下のコマンドを実行します。
hf download inclusionAI/ZoomGain-9B --local-dir "./ZoomGain-9B"
動作・推論環境としては、vllm(バージョン 0.19.1)および transformers(バージョン 5.7.0)が対応パッケージとして指定されています。
評価作業や独自の強化学習パイプラインを実行したい場合は、公式のGitHubリポジトリ(https://github.com/inclusionAI/ZoomGain.git)からソースコードを取得できます。環境のセットアップを行う手順の一例は以下の通りです。
git clone https://github.com/inclusionAI/ZoomGain.git
cd ZoomGain
export ASSET_DIR="$PWD/zoomgain-assets"
mkdir -p "$ASSET_DIR"
python -m pip install -U huggingface_hub
推論および「ZoomGainBench」の評価環境を導入する際の依存ライブラリのインストール手順は、以下のように提示されています。
python -m pip install -r eval_ZoomGainBench/requirements.txt \
'vllm==0.19.1' 'transformers==5.7.0'
独自に強化学習(EasyR1を用いたGRPOトレーニングなど)を試す場合には、CUDA環境およびPyTorch 2.10.0、flash-attn==2.8.3 などの追加ライブラリが必要となります。
派生版・量子化版
→ 横にスクロールできます
| 追記日 | 配布元 | 形式 | リポジトリ | 最小のVRAM階層(量子化・必要メモリの目安) |
|---|---|---|---|---|
| 2026-11-17 | bartowski | GGUF(imatrix) | bartowski/ZoomGain-9B-GGUF | IQ2_M 4.0GB(4GB VRAMで動作) |
| 2026-11-17 | inclusionAI | GGUF | inclusionAI/ZoomGain-9B-GGUF | Q4_K_M 6.3GB(8GB VRAMで動作) |
各リポジトリの量子化とファイルサイズ:
- bartowski/ZoomGain-9B-GGUF の量子化: IQ2_M 3.3GB / Q2_K 3.4GB / IQ3_XXS 3.9GB / Q3_K_S 4.0GB / IQ3_XS 4.0GB / Q3_K_M 4.2GB / Q3_K_L 4.3GB / IQ3_M 4.5GB / IQ4_XS 4.9GB / Q4_0 5.1GB / Q4_K_S 5.1GB / IQ4_NL 5.4GB / Q4_K_M 5.4GB / Q4_1 5.5GB / Q4_K_L 5.8GB / Q5_K_S 6.0GB / Q5_K_M 6.4GB / Q6_K_S 7.0GB / Q6_K 7.3GB / Q6_K_L 7.5GB / Q8_0 8.9GB / BF16 16.7GB
- inclusionAI/ZoomGain-9B-GGUF の量子化: Q4_K_M 5.2GB / Q8_0 8.9GB / F16 16.7GB
この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。
関連記事
- 「ZoomGain-9B-GGUF」画像とテキストの対話に対応する視覚言語モデル:必要VRAM 8GB〜
- 「ZoomGain-4B」微細視覚認識特化型の視覚言語モデル:必要VRAM 4GB〜・GGUF版あり
- 「SingVL_S1_4B」画像入力対応マルチモーダル判断モデル:必要VRAM 4GB〜・GGUF版あり
- 「ZwZ2-9B-GGUF」空間知覚を強化した視覚言語モデル:必要VRAM 8GB〜
次に読むなら
- GPUのVRAMから探す(このモデルは8GBの階層から動きます) → 8GBのGPUで動くほかのモデル
- 同じモデル系統を調べる → ZoomGain 系統のまとめ(記事3本・変換版4件)
- 入手できる形式と、表に出てくる Q4_K_M・Q8_0 の意味を知る → GGUF形式の解説と対応モデル / 量子化・モデル形式の用語集
- 公開元について調べる → inclusionAI(Ant Group) のモデル・ライセンス・記事のまとめ
出典
更新履歴
- 2026-11-17: 変換版を「派生版・量子化版」に追記しました: bartowski/ZoomGain-9B-GGUF, inclusionAI/ZoomGain-9B-GGUF
- 2026-11-17: 動作環境の表を inclusionAI/ZoomGain-9B-GGUF の実ファイルサイズで更新しました。
- 2026-11-17: タイトルを、記事で分かる内容(必要VRAM・配布ファイル等)を示す形に変更しました。

