ZDTaichu5.0-9B: TaichuAIs offenes Modell für räumliches Denken

ZDTaichu5.0-9B ist ein offenes multimodales Basismodell von TaichuAI. Es richtet sich an Anwendungen, in denen ein System Bilder nicht nur beschreiben, sondern räumliche Beziehungen, Perspektivwechsel und Informationen aus mehreren Bildern oder längeren Videos nachvollziehen muss. Vorgesehen ist es für visuelles Verständnis, räumliches Denken, Tool-Nutzung durch Agenten und Forschung zu verkörperter KI (Embodied AI). 2

Architektur und Eingaben

Das Modell kombiniert einen Sprachdecoder mit rund 9 Milliarden Parametern auf Basis von Qwen3.5-9B mit dem Bildencoder C-RADIOv4-H. Es verarbeitet Text, einzelne oder mehrere Bilder sowie Videos. Laut Modellkarte werden visuelle Eingaben in beliebiger Auflösung und ein Kontextfenster von bis zu 128K Tokens unterstützt. 2

Damit zielt ZDTaichu5.0-9B über klassische Bildbeschriftungen hinaus. Als Einsatzfelder nennt TaichuAI unter anderem Dokumente, Diagramme, Charts, OCR, visuelle Frage-Antwort-Aufgaben und visuelle Mathematik – zusätzlich zur Interpretation komplexerer Szenen. 2

Der Schwerpunkt: Raum, Perspektive und Bewegung

Besonders hebt TaichuAI Fähigkeiten hervor, bei denen viele allgemeine Bild-Sprach-Modelle Schwierigkeiten haben: etwa wenn sich der Blickwinkel ändert oder Objekte über mehrere Ansichten hinweg korrekt zugeordnet werden müssen. Zum angegebenen Funktionsumfang gehören:

• räumliches Denken in 2D und 3D, etwa zu Objektbeziehungen und Szenenstruktur,
• Perspektivwechsel und mentale Transformationen bei wechselnden Bezugssystemen,
• Zuordnung und Vergleich mehrerer Ansichten,
• Video- und Mehrbildverständnis, einschließlich Ereignisverfolgung und dem Wiederfinden von Details in längeren Aufnahmen,
• Konzepte aus der Embodied AI, etwa räumliche Wahrnehmung, Handlungsmöglichkeiten von Objekten (Affordances), Manipulationsverständnis und Planung auf hoher Ebene. 2

Das Modell unterstützt zudem agentenorientierte Interaktionen. Das bedeutet jedoch nicht, dass es Werkzeuge selbstständig und abgesichert ausführt: Es kann Tool-Aufrufe planen und in mehrstufigen oder mehrzügigen Abläufen mitwirken. Ausführung, Validierung und Absicherung bleiben Aufgabe der Host-Anwendung. 2

Was hinter dem „adaptiven rekurrenten Reasoning“ steckt

Die zentrale technische Aussage von TaichuAI heißt Entropy-Gated Adaptive Recurrent Reasoning. Vereinfacht gesagt: Das Modell soll nicht für jedes Token pauschal zusätzliche Rechenarbeit aufwenden. Stattdessen wird anhand der Unsicherheit einer Vorhersage entschieden, ob an dieser Stelle weitere Verfeinerungsschritte im latenten Raum nötig sind. 2

Leichte Schritte können damit regulär weiterlaufen; bei schwierigen oder unklaren Vorhersagen soll das Modell intern zusätzliche Verarbeitung einsetzen. Das Ziel: mehr effektive Rechentiefe dort, wo sie hilfreich ist, ohne die Berechnung für die komplette Ausgabe gleichmäßig zu erhöhen. 2

Gerade bei räumlichen Fragen kann das entscheidend sein. Eine einzige falsch verstandene Relation – etwa nach einem Kamerawechsel oder bei der relativen Position zweier Objekte – kann die gesamte Antwort kippen.

Gemeldete Benchmark-Ergebnisse

TaichuAI veröffentlicht in den Modellunterlagen folgende Werte:

Bereich	Benchmark	Gemeldeter Wert
Räumlich / Embodied AI	ViewSpatial	62,50
Räumlich / Embodied AI	MMSI-Bench	47,20
Räumlich / Embodied AI	MindCube-tiny	78,27
Räumlich / Embodied AI	ERQA	48,00
Räumlich / Embodied AI	RoboSpatial	56,00
Agenten / Befolgung von Anweisungen	TAU2-Bench	87,70
Agenten / Befolgung von Anweisungen	Claw-Eval	71,40
Agenten / Befolgung von Anweisungen	IFEval	93,70

2

Das Projekt ordnet das Modell bei räumlichem und verkörpertem Denken vor den verglichenen allgemeinen VLMs in der Größenklasse von etwa 10 Milliarden Parametern ein; zugleich sollen die allgemeinen visuellen Fähigkeiten stark bleiben. 2

Für Teams, die ein kompaktes offenes Modell für räumlich anspruchsvolle Aufgaben suchen, sind diese Werte ein interessantes Signal. Sie sind aber keine allgemeingültige Rangliste: Die Vergleiche beruhen auf den vom Anbieter gewählten Modellversionen, Prompts, Vorverarbeitung, Decoding-Einstellungen und Evaluierungsmethoden. Erst unabhängige Reproduktionen mit offengelegten Details können die Vergleichbarkeit belastbar bestätigen. 2

Verfügbarkeit, Lizenz und Betrieb

ZDTaichu5.0-9B ist über das Hugging-Face-Repository von TaichuAI verfügbar. Die Veröffentlichung wird als Modell mit eigenem Code ausgewiesen und verweist auf Material zu rekurrentem Reasoning und Deployment. 2

Für die veröffentlichten Modellmaterialien nennt TaichuAI die NVIDIA Open Model License; für Komponenten von Qwen3.5 gibt es Hinweise auf Apache-2.0. Wer das Modell weitervertreiben oder kommerziell einsetzen möchte, sollte die aktuellen Lizenzdateien und Hinweise direkt im Repository prüfen. 2

Für das Serving dokumentiert TaichuAI eigene Pfade für vLLM 0.26.0 und Docker. Darin enthalten sind unterschiedliche Sampling-Voreinstellungen für Aufgaben mit räumlicher Verankerung und für allgemeine Aufgaben. 2

Fazit

ZDTaichu5.0-9B ist ein offenes multimodales Modell mit klarer Spezialisierung: Es soll über Bilder, Blickwinkel, Szenen und Videos räumlich schlussfolgern – nicht nur sichtbare Inhalte erkennen. Das Kontextfenster von 128K Tokens, Bildinput in beliebiger Auflösung und das adaptive rekurrente Reasoning machen es zu einer beachtenswerten Option für Forschung und Entwicklung rund um räumliche VLMs, Embodied AI und Agenten-Workflows unter Kontrolle einer Host-Anwendung. 2

Die veröffentlichten Benchmark-Werte wirken insbesondere bei räumlichen Aufgaben vielversprechend. Sie bleiben jedoch Angaben des Anbieters und sollten nicht als unabhängig bestätigte Leistungsrangfolge verstanden werden, solange transparente Tests durch Dritte fehlen. 2