ZDTaichu5.0-9B, Model Multimodal 9B yang Fokus pada Penalaran Spasial

ZDTaichu5.0-9B adalah model fondasi multimodal terbuka dari TaichuAI untuk pemahaman visual, penalaran spasial, penggunaan alat oleh agen, dan riset embodied AI—AI yang perlu memahami serta berinteraksi dengan dunia fisik. Daya tarik utamanya bukan sekadar mampu membaca gambar, melainkan dirancang untuk menalar perubahan sudut pandang, hubungan antarbenda, bukti dari banyak gambar, dan video dengan konteks panjang. 2

Arsitektur: decoder bahasa dan encoder visi

Model ini memadukan decoder bahasa Qwen3.5-9B berukuran sekitar 9 miliar parameter dengan encoder visi C-RADIOv4-H. Input yang didukung mencakup teks, satu atau beberapa gambar, serta video. Rilisnya menyebut dukungan input visual pada resolusi berapa pun dan jendela konteks hingga 128K token. 2

Cakupannya karena itu melampaui pembuatan keterangan gambar biasa. Kartu model menempatkan ZDTaichu5.0-9B untuk dokumen, grafik, diagram, OCR—pengenalan teks pada gambar—tanya jawab visual, dan matematika visual, selain interpretasi adegan yang lebih luas. 2

Kemampuan yang ditargetkan

TaichuAI menonjolkan tugas spasial dan embodied yang sering kali masih sulit bagi model visi-bahasa serbaguna. Kapabilitas yang disebutkan meliputi:

• Penalaran spasial 2D dan 3D, termasuk relasi objek dan struktur adegan
• Perubahan sudut pandang serta transformasi mental, ketika kerangka acuan bergeser
• Asosiasi multiview dan perbandingan lintas sudut pandang
• Pemahaman video dan banyak gambar, termasuk pelacakan peristiwa serta pencarian detail dari rekaman yang lebih panjang
• Konsep embodied AI, seperti persepsi spasial, affordance atau kemungkinan tindakan pada objek, pemahaman manipulasi, dan perencanaan aksi tingkat tinggi 2

Model ini juga mendukung interaksi berorientasi agen. Namun, hal itu tidak berarti model dapat mengeksekusi tindakan secara mandiri: model dapat merencanakan pemanggilan alat dan terlibat dalam alur kerja bertahap atau multigiliran, sedangkan aplikasi host tetap bertanggung jawab menjalankan, memvalidasi, dan mengamankan alat tersebut. 2

Cara kerja penalaran rekuren berbasis entropi

Klaim teknis utama ZDTaichu5.0-9B adalah Entropy-Gated Adaptive Recurrent Reasoning. Alih-alih menerapkan komputasi penalaran tambahan yang sama pada setiap token, sistem menggunakan tingkat ketidakpastian untuk menentukan bagian mana yang membutuhkan pemurnian tambahan di ruang laten. 2

Secara sederhana, langkah yang mudah dapat berjalan seperti biasa, sementara prediksi yang tidak pasti atau lebih rumit mendapat pemurnian internal tambahan. Tujuannya adalah memberi kedalaman komputasi efektif lebih besar pada langkah penalaran sulit tanpa menaikkan beban komputasi secara seragam di seluruh respons. 2

Pendekatan ini relevan untuk pertanyaan spasial, karena satu relasi yang ambigu—misalnya akibat perubahan posisi kamera atau letak suatu objek terhadap objek lain—dapat menentukan benar atau salahnya jawaban akhir.

Hasil benchmark yang dilaporkan

TaichuAI melaporkan hasil berikut dalam materi modelnya:

Area evaluasi	Benchmark	Skor yang dilaporkan
Spasial / embodied	ViewSpatial	62,50
Spasial / embodied	MMSI-Bench	47,20
Spasial / embodied	MindCube-tiny	78,27
Spasial / embodied	ERQA	48,00
Spasial / embodied	RoboSpatial	56,00
Agen / mengikuti instruksi	TAU2-Bench	87,70
Agen / mengikuti instruksi	Claw-Eval	71,40
Agen / mengikuti instruksi	IFEval	93,70

2

Proyek ini memosisikan model tersebut sebagai pemimpin penalaran spasial dan embodied di antara VLM—vision-language model—serbaguna berskala sekitar 10B yang dimasukkan dalam perbandingannya, sambil mempertahankan kemampuan visual umum yang kuat. 2

Ini merupakan sinyal yang berguna bagi peneliti dan pengembang yang mencari model terbuka ringkas untuk beban kerja dengan tuntutan spasial tinggi. Namun, klaim itu bukan peringkat universal. Perbandingan yang dilaporkan bergantung pada versi model, prompt, prapemrosesan, pengaturan decoding, dan rancangan evaluasi yang dipilih vendor. Reproduksi independen dengan rincian tersebut diperlukan sebelum hasilnya dianggap sebagai performa komparatif yang telah mapan. 2

Ketersediaan, lisensi, dan deployment

ZDTaichu5.0-9B tersedia melalui repositori Hugging Face milik TaichuAI. Rilisnya mengidentifikasi model ini sebagai berbasis kode kustom dan menautkan materi proyek untuk penalaran rekuren serta deployment. 2

Pengaturan lisensi yang disebutkan adalah NVIDIA Open Model License untuk materi model yang dirilis, dengan pemberitahuan Apache-2.0 untuk komponen Qwen3.5. Tim yang mempertimbangkan redistribusi atau penggunaan komersial sebaiknya meninjau langsung berkas lisensi dan pemberitahuan terbaru di repositori. 2

Untuk penyajian model, TaichuAI mendokumentasikan jalur kustom vLLM 0.26.0 dan Docker, termasuk preset sampling berbeda untuk beban kerja spatial grounding dan tugas umum. 2

Intinya

ZDTaichu5.0-9B adalah model multimodal terbuka skala sekitar 9B dengan spesialisasi yang jelas: menalar lintas gambar, sudut pandang, adegan, dan video, bukan hanya mengenali isi visual. Konteks 128K, input visual beresolusi bebas, serta pendekatan penalaran rekuren adaptif menjadikannya opsi menarik bagi riset VLM spasial, embodied AI, dan alur kerja agen yang dikelola aplikasi host. 2

Hasil yang dipublikasikan terlihat menjanjikan, khususnya pada benchmark spasial. Namun, hasil tersebut tetap perlu dibaca sebagai bukti yang dilaporkan vendor, bukan performa yang telah dikonfirmasi secara independen, sampai pengujian pihak ketiga mereplikasinya dalam kondisi transparan. 2