उत्तरप्रकाशित2 माह पहलेLast edited 2 माह पहले11 स्रोत

ZDTaichu5.0-9B: चित्र, वीडियो और 3D संबंधों को समझने वाला 9B ओपन मॉडल

ZDTaichu5.0 9B, TaichuAI का लगभग 9 अरब पैरामीटर वाला ओपन विज़न लैंग्वेज मॉडल है, जिसमें Qwen3.5 9B लैंग्वेज डिकोडर और C RADIOv4 H विज़न एनकोडर हैं। यह टेक्स्ट, एक या अनेक इमेज और वीडियो को संभाल सकता है; इसके लिए किसी भी रिज़ॉल्यूशन की विज़ुअल इनपुट और 128K टोकन तक का कॉन्टेक्स्ट बताया गया है। इसकी ‘Entropy Gated Ad...

प्रकाशितकर्ताGPT-5.6 Terra से संपादितGPT Image 2 से चित्र बनाए गए

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

ZDTaichu5.0 9B, TaichuAI का लगभग 9 अरब पैरामीटर वाला ओपन विज़न लैंग्वेज मॉडल है, जिसमें Qwen3.5 9B लैंग्वेज डिकोडर और C RADIOv4 H विज़न एनकोडर हैं।
यह टेक्स्ट, एक या अनेक इमेज और वीडियो को संभाल सकता है; इसके लिए किसी भी रिज़ॉल्यूशन की विज़ुअल इनपुट और 128K टोकन तक का कॉन्टेक्स्ट बताया गया है।
इसकी ‘Entropy Gated Adaptive Recurrent Reasoning’ विधि का लक्ष्य कठिन या अनिश्चित टोकनों पर अतिरिक्त लेटेंट स्पेस रिफाइनमेंट लगाना है, न कि हर टोकन पर एक सा अतिरिक्त कंप्यूट खर्च करना।
मॉडल वेट्स और तैनाती सामग्री Hugging Face पर उपलब्ध हैं; TaichuAI ने कस्टम vLLM 0.26.0 और Docker सर्विंग विकल्प भी दस्तावेज़ित किए हैं।

Editorial illustration representing a multimodal AI model analyzing images, video, and spatial relationships — What is TaichuAI’s open-sourced ZDTaichu5.0-9B multimodal model, including its approximately 9-billion-parameter Qwen3.5-9B and C-RADIOv4-HIllustration of multimodal AI and spatial reasoning.
AI संकेत
Create a landscape editorial hero image for this Studio Global article: What is TaichuAI’s open-sourced ZDTaichu5.0-9B multimodal model, including its approximately 9-billion-parameter Qwen3.5-9B and C-RADIOv4-H. Article summary: ZDTaichu5.0-9B is TaichuAI’s open multimodal vision-language model for general visual understanding, spatial/embodied reasoning, and agentic tool-use research. It combines a roughly 9B-parameter Qwen3.5-9B language decod. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
openai.com

ZDTaichu5.0-9B, TaichuAI का ओपन मल्टीमॉडल फाउंडेशन मॉडल है। इसका फोकस केवल तस्वीर में वस्तुओं की पहचान तक सीमित नहीं है, बल्कि दृश्य में वस्तुओं के आपसी संबंध, कैमरा या दृष्टिकोण बदलने पर निष्कर्ष, कई इमेज से जानकारी जोड़ना और लंबे वीडियो में घटनाओं को समझना है। इसलिए यह स्थानिक तर्क, एजेंट-आधारित टूल-यूज़ और एम्बॉडीड AI—यानी ऐसे AI/रोबोटिक्स शोध, जो भौतिक दुनिया को समझते और उसमें काम करते हैं—के लिए बनाया गया है। 2

आर्किटेक्चर और इनपुट

मॉडल में लगभग 9 अरब पैरामीटर वाला Qwen3.5-9B लैंग्वेज डिकोडर और C-RADIOv4-H विज़न एनकोडर शामिल हैं। यह टेक्स्ट, एक इमेज, कई इमेज और वीडियो ले सकता है। रिलीज़ के अनुसार, यह किसी भी रिज़ॉल्यूशन के विज़ुअल इनपुट तथा अधिकतम 128K टोकन के कॉन्टेक्स्ट विंडो को सपोर्ट करता है। 2

यह दायरा इसे सामान्य इमेज-कैप्शनिंग से आगे ले जाता है। मॉडल कार्ड में दस्तावेज़, चार्ट, डायग्राम, OCR (इमेज से टेक्स्ट पढ़ना), विज़ुअल प्रश्नोत्तर और विज़ुअल गणित जैसे कार्यों के साथ व्यापक सीन-समझ की क्षमता बताई गई है। 2

स्थानिक और वीडियो समझ में क्या खास है?

TaichuAI ने उन कार्यों पर विशेष जोर दिया है जिनमें सामान्य विज़न-लैंग्वेज मॉडल अक्सर चूक सकते हैं। इनमें शामिल हैं:

2D और 3D स्थानिक तर्क: वस्तुओं की स्थिति, दिशा, दूरी और सीन की संरचना समझना
दृष्टिकोण परिवर्तन और मानसिक रूपांतरण: कैमरा या संदर्भ-फ्रेम बदलने पर संबंधों को सही बनाए रखना
मल्टी-व्यू एसोसिएशन: अलग-अलग एंगल की इमेज में एक ही वस्तु या संबंध की पहचान और तुलना
वीडियो व बहु-इमेज समझ: घटनाओं को ट्रैक करना और लंबे फुटेज से जरूरी विवरण ढूंढना
एम्बॉडीड-AI अवधारणाएं: स्थानिक धारणा, किसी वस्तु के संभावित उपयोग/क्रिया-संबंध, हेरफेर की समझ और उच्च-स्तरीय एक्शन प्लानिंग 2

मॉडल एजेंट-केंद्रित इंटरैक्शन भी सपोर्ट करता है। हालांकि, इसे स्वायत्त टूल-एक्जीक्यूशन नहीं समझना चाहिए। मॉडल टूल कॉल की योजना बना सकता है और कई चरणों या कई टर्न वाले वर्कफ़्लो में भाग ले सकता है, लेकिन टूल को चलाना, नतीजों की पुष्टि करना और सुरक्षा लागू करना होस्ट एप्लिकेशन की जिम्मेदारी रहती है। 2

‘Entropy-Gated Adaptive Recurrent Reasoning’ क्या है?

ZDTaichu5.0-9B का मुख्य तकनीकी दावा Entropy-Gated Adaptive Recurrent Reasoning है। सामान्य तरीके में हर आउटपुट टोकन पर समान अतिरिक्त रीजनिंग कंप्यूट लगाया जा सकता है। इसके विपरीत, TaichuAI के अनुसार यह मॉडल अनिश्चितता का आकलन कर तय करता है कि किस टोकन पर लेटेंट स्पेस में अतिरिक्त रिफाइनमेंट की जरूरत है। 2

सरल शब्दों में, आसान चरणों पर मॉडल सामान्य तरीके से आगे बढ़ सकता है, जबकि अधिक अनिश्चित या जटिल अनुमान के लिए वह अंदरूनी तौर पर अतिरिक्त सुधार चरण ले सकता है। उद्देश्य यह है कि कठिन तर्क वाले चरणों पर प्रभावी गणनात्मक गहराई बढ़े, पर पूरी प्रतिक्रिया में हर जगह अतिरिक्त कंप्यूट खर्च न हो। 2

स्थानिक सवालों में यह उपयोगी हो सकता है, क्योंकि कभी-कभी एक ही अस्पष्ट संबंध—मिसाल के लिए कैमरे का बदला कोण या दो वस्तुओं की सापेक्ष स्थिति—अंतिम जवाब को सही या गलत बना देता है।

जारीकर्ता द्वारा बताए गए बेंचमार्क स्कोर

TaichuAI ने अपने मॉडल मटीरियल में ये परिणाम बताए हैं:

मूल्यांकन क्षेत्र	बेंचमार्क	रिपोर्टेड स्कोर
स्थानिक / एम्बॉडीड	ViewSpatial	62.50
स्थानिक / एम्बॉडीड	MMSI-Bench	47.20
स्थानिक / एम्बॉडीड	MindCube-tiny	78.27
स्थानिक / एम्बॉडीड	ERQA	48.00
स्थानिक / एम्बॉडीड	RoboSpatial	56.00
एजेंट / निर्देश-अनुपालन	TAU2-Bench	87.70
एजेंट / निर्देश-अनुपालन	Claw-Eval	71.40
एजेंट / निर्देश-अनुपालन	IFEval	93.70

परियोजना इसे अपनी तुलना में शामिल लगभग 10B-स्केल के जनरल-पर्पज़ विज़न-लैंग्वेज मॉडलों के बीच स्थानिक और एम्बॉडीड तर्क में अग्रणी बताती है, साथ ही सामान्य विज़ुअल क्षमताओं को भी मजबूत बताती है। 2

यह उन डेवलपरों और शोधकर्ताओं के लिए एक उपयोगी संकेत हो सकता है जिन्हें स्थानिक कार्यों के लिए अपेक्षाकृत कॉम्पैक्ट ओपन मॉडल चाहिए। मगर यह सार्वभौमिक रैंकिंग नहीं है। तुलना के नतीजे जारीकर्ता द्वारा चुने गए मॉडल वर्ज़न, प्रॉम्प्ट, प्री-प्रोसेसिंग, डिकोडिंग सेटिंग्स और मूल्यांकन व्यवस्था पर निर्भर करते हैं। इन्हें स्थापित तुलनात्मक प्रदर्शन मानने से पहले पारदर्शी विवरण के साथ स्वतंत्र पुनरुत्पादन जरूरी है। 2

उपलब्धता, लाइसेंस और डिप्लॉयमेंट

ZDTaichu5.0-9B, TaichuAI के Hugging Face रिपॉज़िटरी पर उपलब्ध है। रिलीज़ में इसे कस्टम-कोड आधारित मॉडल बताया गया है और रिकरेंट रीजनिंग व डिप्लॉयमेंट से जुड़ी परियोजना सामग्री के लिंक दिए गए हैं। 2

रिलीज़ सामग्री के लिए NVIDIA Open Model License बताई गई है, जबकि Qwen3.5 घटकों के लिए Apache-2.0 नोटिस दिए गए हैं। पुनर्वितरण या व्यावसायिक उपयोग से पहले टीमों को रिपॉज़िटरी में मौजूद मौजूदा लाइसेंस फाइलें और नोटिस सीधे पढ़ने चाहिए। 2

सर्विंग के लिए TaichuAI ने कस्टम vLLM 0.26.0 और Docker के रास्ते दस्तावेज़ित किए हैं। इनमें स्थानिक-ग्राउंडिंग वर्कलोड और सामान्य कार्यों के लिए अलग-अलग सैंपलिंग प्रीसेट भी शामिल हैं। 2

निष्कर्ष

ZDTaichu5.0-9B एक ओपन, लगभग 9B-स्केल का मल्टीमॉडल मॉडल है जिसका स्पष्ट विशेषीकरण इमेज, बदले हुए दृष्टिकोण, सीन और वीडियो के बीच तर्क करना है—सिर्फ विज़ुअल कंटेंट पहचानना नहीं। 128K कॉन्टेक्स्ट, किसी भी रिज़ॉल्यूशन के विज़ुअल इनपुट और अनुकूली रिकरेंट-रीजनिंग डिज़ाइन इसे स्थानिक VLM, एम्बॉडीड AI और होस्ट-मैनेज्ड एजेंट वर्कफ़्लो पर काम करने वालों के लिए उल्लेखनीय विकल्प बनाते हैं। 2

इसके प्रकाशित नतीजे, विशेषकर स्थानिक बेंचमार्क पर, उत्साहजनक हैं। फिर भी इन्हें जारीकर्ता के रिपोर्ट किए गए साक्ष्य के रूप में ही देखना चाहिए; पारदर्शी परिस्थितियों में तीसरे पक्ष की पुनरावृत्ति होने तक इन्हें स्वतंत्र रूप से स्थापित प्रदर्शन नहीं माना जा सकता। 2

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं