ZDTaichu5.0-9B untuk Riset AI yang Berinteraksi dengan Dunia Fisik

Jika sebuah agen AI harus memahami letak benda dari beberapa sudut pandang sebelum mengambil keputusan, kemampuan menjawab pertanyaan tentang gambar saja belum cukup. Di sinilah ZDTaichu5.0-9B menarik bagi peneliti: TaichuAI menyediakan model visi-bahasa yang dapat diunduh untuk menguji pemahaman adegan, hubungan spasial, dan penggunaan alat oleh agen. Fokusnya relevan untuk embodied AI—AI yang dirancang untuk berinteraksi dengan lingkungan fisik—tetapi model ini bukan sistem robotika menyeluruh yang telah terbukti aman untuk bertindak. 220

Apa yang bisa diproses?

ZDTaichu5.0-9B memasangkan dekoder bahasa Qwen3.5-9B dengan enkoder visual C-RADIOv4-H. Menurut spesifikasi TaichuAI, inputnya mencakup teks, satu gambar, beberapa gambar, dan video, dengan dukungan input visual pada berbagai resolusi. Panjang konteks yang dinyatakan mencapai 128K token. Kombinasi ini membuka ruang untuk eksperimen yang membandingkan lebih dari satu tampilan sebuah adegan; spesifikasi tersebut tidak otomatis menjamin hasil yang sama baiknya pada setiap ukuran input atau panjang konteks. 2

TaichuAI juga menyebut pendekatannya entropy-gated adaptive recurrent reasoning. Menurut pengembang, model dapat menambahkan langkah penyempurnaan internal pada token yang lebih sulit, alih-alih memberikan komputasi tambahan dalam jumlah sama pada semua token. Tujuannya adalah memperdalam penalaran saat dibutuhkan. 20

Cara membaca angka benchmark

Dalam perbandingan yang dilaporkan TaichuAI terhadap model visi-bahasa serbaguna berukuran serupa, ZDTaichu5.0-9B memperoleh 62,50 di ViewSpatial, 78,27 di MindCube-tiny, 47,20 di MMSI-Bench, 48,00 di ERQA, dan 56,00 di RoboSpatial. TaichuAI menyatakan kemampuan spasialnya unggul di antara model yang dibandingkan. Namun, angka itu adalah hasil yang dilaporkan pengembang, bukan temuan yang direproduksi secara independen di sini. Peneliti tetap perlu mengujinya dengan adegan, konfigurasi agen, dan lingkungan fisik yang sesuai dengan riset mereka. 120

Akses dan dua pemeriksaan sebelum memakai

Model utama tersedia di Hugging Face, bersama varian FP8 dan NVFP4 dari TaichuAI. Ada pula DSpark, model pendamping untuk speculative decoding yang ditujukan bagi penggunaan dengan model ZDTaichu5.0-9B di vLLM, perangkat lunak untuk menjalankan layanan inferensi model. Untuk penerapan, dokumentasi TaichuAI mencantumkan image Docker khusus model ini dan cabang vLLM yang dimodifikasi; keduanya lebih tepat dijadikan titik awal daripada mengasumsikan instalasi vLLM standar akan bekerja identik. 245317

Sebelum menggunakan ulang bobotnya, periksa lisensi model asal serta ketentuan komponen dan bobot hasil konversi. Sebuah konversi GGUF buatan pihak ketiga berlabel Apache-2.0, sedangkan daftar model lain menggambarkan pengaturan lisensi yang berbeda. Label pada konversi itu saja tidak memastikan ketentuan model asal. 86

Perhatikan pula perbedaan antara konfigurasi server dan spesifikasi model: contoh perintah vLLM dari TaichuAI memakai --max-model-len 220000, sementara spesifikasi model menyebut konteks hingga 128K token. Nilai konfigurasi 220000 bukan bukti bahwa konteks efektif sepanjang itu telah tervalidasi. 172