ZDTaichu5.0-9B sází na prostorové uvažování místo pouhého rozpoznávání obrazu

ZDTaichu5.0-9B je otevřený multimodální základní model od TaichuAI pro obrazové porozumění, prostorové uvažování, práci nástrojově orientovaných agentů a výzkum vtělené AI — tedy systémů, které mají vnímat a plánovat jednání ve fyzickém prostředí. Jeho ambicí není jen popsat obsah snímku, ale vyhodnotit vztahy mezi objekty, změny pohledu, důkazy z více záběrů či děj ve videu. 2

Architektura a vstupy

Model spojuje jazykový dekodér Qwen3.5-9B s přibližně 9 miliardami parametrů a obrazový enkodér C-RADIOv4-H. Přijímá text, jednotlivé i vícenásobné obrázky a video. Podle dokumentace podporuje obrazové vstupy v libovolném rozlišení a kontextové okno až 128 tisíc tokenů. 2

Díky tomu se jeho záběr neomezuje na běžné popisování obrázků. Modelová karta jej uvádí také pro dokumenty, grafy, diagramy, OCR — tedy rozpoznávání textu z obrazu — vizuální otázky a vizuální matematiku. 2

V čem má být silný

TaichuAI zdůrazňuje zejména úlohy, které bývají pro obecné vision-language modely obtížné:

• 2D a 3D prostorové uvažování: vztahy objektů a struktura scény;
• změny perspektivy a mentální transformace: správný úsudek i po změně vztažné soustavy;
• propojování více pohledů a jejich porovnávání;
• porozumění videu a více snímkům, včetně sledování událostí a dohledávání detailů v delším záznamu;
• koncepty vtělené AI, jako jsou prostorové vnímání, možnosti manipulace s objekty a plánování akcí na vysoké úrovni. 2

Model podporuje i interakce orientované na agenty. To ale neznamená, že by sám autonomně prováděl operace: může plánovat volání nástrojů a účastnit se vícekrokových či vícetahových pracovních postupů, avšak samotné spuštění nástroje, ověření výsledku a zabezpečení zůstávají odpovědností hostitelské aplikace. 2

Jak funguje „adaptivní rekurentní uvažování“

Hlavním technickým tvrzením projektu je mechanismus Entropy-Gated Adaptive Recurrent Reasoning. Namísto stejného dodatečného výpočtu pro každý token má systém podle míry nejistoty rozhodovat, kde je vhodné provést další zpřesnění interní reprezentace. 2

Zjednodušeně: u přímočarých kroků model pokračuje běžně, zatímco u nejasných nebo náročných predikcí může dostat více interních iterací. Cílem je soustředit výpočetní hloubku na složité části odpovědi, aniž by se stejně zvyšovala výpočetní práce pro celý výstup. 2

To dává smysl právě u prostorových úloh: jediný nejednoznačně vyhodnocený vztah — například poloha objektu po změně úhlu kamery — může rozhodnout o správnosti celé odpovědi.

Výsledky uváděné vydavatelem

TaichuAI ve svých materiálech uvádí tyto skóre:

Oblast hodnocení	Benchmark	Uváděné skóre
Prostorové / vtělené úlohy	ViewSpatial	62,50
Prostorové / vtělené úlohy	MMSI-Bench	47,20
Prostorové / vtělené úlohy	MindCube-tiny	78,27
Prostorové / vtělené úlohy	ERQA	48,00
Prostorové / vtělené úlohy	RoboSpatial	56,00
Agenti / plnění instrukcí	TAU2-Bench	87,70
Agenti / plnění instrukcí	Claw-Eval	71,40
Agenti / plnění instrukcí	IFEval	93,70

2

Projekt model prezentuje jako špičku v prostorovém a vtěleném uvažování mezi srovnávanými univerzálními VLM zhruba v kategorii 10 miliard parametrů; zároveň má zachovávat silné obecné vizuální schopnosti. 2

Pro vývojáře vybírající kompaktní otevřený model pro prostorově náročné úlohy je to užitečný signál, nikoli však univerzální žebříček. Srovnání závisí na verzích modelů, promětech, předzpracování, parametrech dekódování i evaluačním nastavení, které zvolil vydavatel. Nezávislá reprodukce s transparentně zveřejněnými detaily je nutná, než budou výsledky považovány za ustálené srovnávací zjištění. 2

Dostupnost, licence a nasazení

ZDTaichu5.0-9B je dostupný v repozitáři TaichuAI na platformě Hugging Face. Vydání je označeno jako model využívající vlastní kód a odkazuje na materiály k rekurentnímu uvažování a nasazení. 2

Uvedené licenční uspořádání používá pro vydané materiály modelu NVIDIA Open Model License, zatímco komponenty Qwen3.5 mají oznámení k licenci Apache-2.0. Před redistribucí nebo komerčním použitím je vhodné zkontrolovat aktuální licenční soubory a upozornění přímo v repozitáři. 2

Pro provoz TaichuAI dokumentuje vlastní cesty pro vLLM 0.26.0 a Docker, včetně odlišných předvoleb vzorkování pro úlohy s prostorovým ukotvením a pro obecné úlohy. 2

Co z toho plyne

ZDTaichu5.0-9B je otevřený multimodální model o velikosti přibližně 9 miliard parametrů s jasným zaměřením: má vyvozovat závěry napříč snímky, perspektivami, scénami a videem, ne pouze rozpoznávat jejich obsah. Kontext o délce 128 tisíc tokenů, obrazové vstupy v libovolném rozlišení a adaptivní rekurentní uvažování z něj dělají zajímavou volbu pro výzkum prostorových VLM, vtělené AI a agentních workflow řízených hostitelskou aplikací. 2

Zveřejněné výsledky vypadají slibně, zejména v prostorových benchmarcích. Zatím je ale namístě chápat je jako údaje reportované vydavatelem, nikoli jako nezávisle potvrzený výkon. 2