Hvad kan ZDTaichu5.0-9B bruges til i robotforskning?

ZDTaichu5.0-9B giver forskere en model, de kan downloade og afprøve på spørgsmål om visuelle scener: Hvor er en genstand i forhold til en anden, og hvordan ændrer forholdet sig, når synsvinklen skifter? Den er også tænkt til eksperimenter med AI-agenter, der bruger værktøjer. Det gør den relevant for forskning i embodied AI – AI, der skal forstå og potentielt indgå i fysiske omgivelser. Et korrekt svar om et billede er dog ikke bevis for, at modellen kan handle sikkert i den virkelige verden. 220

Hvad får forskerne adgang til?

Modellen kombinerer sprogmodellen Qwen3.5-9B med billedkoderen C-RADIOv4-H. Ifølge TaichuAI kan den modtage tekst, ét billede, flere billeder eller video. Producenten angiver visuelle input i vilkårlig opløsning og en kontekstlængde på op til 128.000 tokens. Det giver mulighed for at undersøge opgaver med flere visninger af samme scene, men specifikationerne dokumenterer ikke i sig selv ydelsen ved enhver opløsning eller kontekstlængde. 2

TaichuAI beskriver desuden en metode kaldet entropy-gated adaptive recurrent reasoning. Tanken er, at modellen kan bruge ekstra interne bearbejdningstrin på de tokens, der er sværere at behandle, i stedet for at bruge samme mængde beregning overalt. For rumlige opgaver er det interessant, når modellen eksempelvis skal holde styr på en genstands placering på tværs af synsvinkler. Det er en tilgang, forskere kan teste – ikke en garanti for, at den løser opgaven i et robotsystem. 202

Hvad viser tallene?

I TaichuAI’s sammenligninger med generelle syns- og sprogmodeller i omtrent samme størrelse får ZDTaichu5.0-9B 62,50 på ViewSpatial, 78,27 på MindCube-tiny, 47,20 på MMSI-Bench, 48,00 på ERQA og 56,00 på RoboSpatial. TaichuAI beskriver den rumlige ydelse som førende blandt de sammenlignede modeller. Tallene er imidlertid producentens rapporterede resultater, ikke uafhængigt reproducerede målinger her. Forskere må selv teste modellen på deres scener, agentopsætning og eventuelle fysiske miljøer. 120

Før modellen tages i brug

Hovedmodellen ligger på Hugging Face sammen med FP8- og NVFP4-varianter. TaichuAI tilbyder også DSpark, en hjælpermodel til spekulativ dekodning sammen med ZDTaichu5.0-9B i vLLM, som bruges til at køre modeller som en tjeneste. Til den opsætning dokumenterer TaichuAI både et modelspecifikt Docker-image og en tilpasset vLLM-gren; man bør derfor ikke gå ud fra, at en standardinstallation fungerer på samme måde. 245317

Kontrollér licensen før genbrug. En GGUF-konvertering fra en tredjepart er mærket Apache-2.0, mens en anden modeloversigt beskriver andre licensvilkår. Mærkningen af en konvertering afgør ikke i sig selv vilkårene for den oprindelige model eller dens komponenter. 86

Vær også opmærksom på forskellen mellem specifikation og serverindstilling: TaichuAI’s eksempelkommando bruger --max-model-len 220000, mens modelbeskrivelsen angiver op til 128.000 tokens. Indstillingen er ikke dokumentation for en efterprøvet, effektiv kontekst på 220.000 tokens. 172