ZDTaichu5.0-9B on avoin multimodaalimalli, joka yrittää ratkaista tilallisen päättelyn ongelmaa

ZDTaichu5.0-9B on TaichuAI:n avoin multimodaalinen perusmalli. Se on suunnattu visuaaliseen ymmärtämiseen, tilalliseen päättelyyn, agenttien työkalukäyttöön ja ruumiillistuneen tekoälyn tutkimukseen. Mallin kiinnostavin piirre ei ole pelkkä kuvien tulkinta, vaan pyrkimys päätellä näkökulman muutoksia, esineiden keskinäisiä suhteita, usean kuvan muodostamaa kokonaisuutta ja videon tapahtumia pitkissä aineistoissa. 2

Rakenne: kielimalli ja näköenkooderi yhdessä

Mallissa on noin 9 miljardin parametrin Qwen3.5-9B-kielidekooderi sekä C-RADIOv4-H-näköenkooderi. Syötteenä se voi vastaanottaa tekstiä, yhden tai useamman kuvan sekä videota. Julkaisun mukaan visuaalisen syötteen resoluutiota ei ole rajattu ennalta, ja konteksti-ikkuna on enintään 128 000 tokenia. 2

Käyttökohteiksi luetellaan tavallista kuvatekstitystä laajemmat tehtävät: asiakirjojen, kaavioiden ja diagrammien tulkinta, tekstintunnistus (OCR), visuaalinen kysymys–vastaus, kuvallinen matematiikka sekä laajempi näkymien analyysi. 2

Missä mallin pitäisi olla vahva?

TaichuAI korostaa tehtäviä, jotka ovat monille yleiskäyttöisille kuva–kielimalleille hankalia. Niihin kuuluvat muun muassa:

• 2D- ja 3D-tilallinen päättely, kuten esineiden keskinäiset suhteet ja näkymän rakenne
• Näkökulman vaihdokset ja mentaalinen muuntaminen, joissa koordinaatisto tai tarkastelusuunta muuttuu
• Usean näkymän yhdistäminen ja vertailu
• Videoiden ja useiden kuvien ymmärtäminen, kuten tapahtumien seuranta ja yksityiskohtien haku pitkästä videosta
• Ruumiillistuneen tekoälyn käsitteet, esimerkiksi tilahavainto, toiminnalliset mahdollisuudet, manipuloinnin ymmärtäminen ja korkean tason toiminnan suunnittelu. 2

Mallia voi käyttää myös agenttityyppisissä työnkuluissa. Tämä ei kuitenkaan tarkoita, että se suorittaisi toimintoja itsenäisesti: malli voi suunnitella työkalukutsuja ja osallistua monivaiheiseen keskusteluun, mutta sitä ympäröivä sovellus vastaa työkalujen suorittamisesta, validoinnista ja tietoturvasta. 2

Mitä entropiaohjattu toistuva päättely tarkoittaa?

ZDTaichu5.0-9B:n keskeinen tekninen väite on Entropy-Gated Adaptive Recurrent Reasoning, eli entropiaohjattu adaptiivinen toistuva päättely. Ideana on, ettei lisälaskentaa kohdisteta tasaisesti jokaiseen tuotettavaan tokeniin. Sen sijaan malli käyttää epävarmuutta mittaavana signaalina päättääkseen, missä kohdissa sisäistä, latentissa tilassa tehtävää tarkennusta tarvitaan lisää. 2

Käytännössä suoraviivaiset ennustusaskeleet voivat edetä normaalisti, kun taas epävarmat tai vaikeat vaiheet saavat ylimääräistä sisäistä jalostusta. Tavoitteena on kasvattaa laskennan tehokasta syvyyttä vaikeissa kohdissa ilman, että koko vastauksen tuottaminen muuttuisi tasaisesti raskaammaksi. 2

Tällainen lähestymistapa on erityisen olennainen tilallisissa kysymyksissä: yksi epäselvä suhde – esimerkiksi kamerakulman muutos tai kahden objektin suhteellinen sijainti – voi ratkaista, päätyykö malli oikeaan vastaukseen.

Valmistajan raportoimat testitulokset

TaichuAI ilmoittaa mallikortissaan seuraavat tulokset:

Arviointialue	Vertailutesti	Raportoitu tulos
Tilallinen / ruumiillistunut	ViewSpatial	62,50
Tilallinen / ruumiillistunut	MMSI-Bench	47,20
Tilallinen / ruumiillistunut	MindCube-tiny	78,27
Tilallinen / ruumiillistunut	ERQA	48,00
Tilallinen / ruumiillistunut	RoboSpatial	56,00
Agentti / ohjeiden noudattaminen	TAU2-Bench	87,70
Agentti / ohjeiden noudattaminen	Claw-Eval	71,40
Agentti / ohjeiden noudattaminen	IFEval	93,70

2

Projektin mukaan malli johtaa sen valitsemissa vertailuissa noin 10 miljardin parametrin yleiskäyttöisten kuva–kielimallien joukkoa tilallisessa ja ruumiillistuneessa päättelyssä, säilyttäen samalla vahvat yleiset visuaaliset kyvyt. 2

Tämä on hyödyllinen signaali kehittäjälle tai tutkijalle, joka etsii suhteellisen kompaktia avointa mallia tilallisesti vaativiin tehtäviin. Se ei silti ole yleispätevä paremmuusjärjestys. Vertailu riippuu muun muassa valmistajan valitsemista malliversioista, kehotteista, esikäsittelystä, dekoodausasetuksista ja testijärjestelystä. Ennen vahvoja johtopäätöksiä tulokset olisi toistettava riippumattomasti avoimesti dokumentoiduilla asetuksilla. 2

Saatavuus, lisensointi ja käyttöönotto

ZDTaichu5.0-9B on saatavilla TaichuAI:n Hugging Face -tietovarastossa. Julkaisu kuvaa mallin mukautettua koodia hyödyntäväksi ja linkittää materiaaleihin, jotka käsittelevät toistuvaa päättelyä ja käyttöönottoa. 2

Julkaisun ilmoittama lisenssijärjestely on mallimateriaaleille NVIDIA Open Model License; Qwen3.5-komponenteista on Apache-2.0-ilmoituksia. Uudelleenjakelua tai kaupallista käyttöä harkitsevien kannattaa tarkistaa aina suoraan tietovaraston ajantasaiset lisenssitiedostot ja ilmoitukset. 2

Palvelinkäyttöä varten TaichuAI dokumentoi mukautetut vLLM 0.26.0- ja Docker-toteutustavat. Mukana on erillisiä otanta-asetuksia tilallista kohdistusta vaativiin tehtäviin ja yleiskäyttöön. 2

Yhteenveto

ZDTaichu5.0-9B on avoin, noin 9 miljardin parametrin multimodaalimalli, jonka selvä erikoistumisalue on kuvien, näkökulmien, näkymien ja videoiden välisten suhteiden päättely – ei vain visuaalisen sisällön tunnistaminen. Sen 128 000 tokenin konteksti, resoluutioriippumaton kuvatuki ja epävarmuuteen perustuva toistuva päättely tekevät siitä huomionarvoisen vaihtoehdon tilallisia kuva–kielimalleja, ruumiillistunutta tekoälyä ja sovelluksen hallinnoimia agenttityönkulkuja tutkiville. 2

Julkaistut tulokset ovat lupaavia, etenkin tilallisen päättelyn testeissä. Niitä on kuitenkin syytä pitää valmistajan raportoimana näyttönä, ei vielä riippumattomasti varmistettuna suorituskykynä. 2