ZDTaichu5.0-9B: il modello open da 9 miliardi di parametri per comprendere immagini, spazio e video

ZDTaichu5.0-9B è un modello fondazionale multimodale open di TaichuAI, progettato per la comprensione visiva generale, il ragionamento spaziale, l’uso di strumenti da parte di agenti e la ricerca sull’AI incarnata. Il punto non è soltanto descrivere ciò che appare in un’immagine: il progetto mira a gestire cambi di punto di vista, relazioni fra oggetti, informazioni distribuite su più immagini e analisi di video con contesti lunghi. 2

Architettura: decoder linguistico ed encoder visivo

Il modello unisce un decoder linguistico Qwen3.5-9B, di circa 9 miliardi di parametri, a un encoder visivo C-RADIOv4-H. Può ricevere testo, una o più immagini e video; secondo la documentazione della release, supporta input visivi a qualsiasi risoluzione e una finestra di contesto fino a 128K token. 2

Questa ampiezza di input lo colloca oltre la semplice didascalia automatica delle immagini. La scheda del modello indica impieghi per documenti, grafici, diagrammi, OCR — cioè il riconoscimento del testo nelle immagini — visual question answering e matematica visiva, insieme all’interpretazione più generale delle scene. 2

A cosa serve: spazio, prospettiva e sequenze visive

TaichuAI evidenzia capacità spaziali e incarnate che risultano spesso complesse per i normali modelli vision-language. Tra quelle dichiarate figurano:

• Ragionamento spaziale 2D e 3D, comprese le relazioni tra oggetti e la struttura della scena;
• Cambi di prospettiva e trasformazioni mentali, quando cambia il sistema di riferimento;
• Associazione e confronto multi-view, tra inquadrature diverse;
• Comprensione di video e serie di immagini, inclusi il tracciamento di eventi e il recupero di dettagli in filmati più lunghi;
• Concetti di AI incarnata, quali percezione spaziale, affordance — le possibili interazioni offerte da un oggetto — comprensione della manipolazione e pianificazione di azioni ad alto livello. 2

Il modello supporta anche interazioni orientate agli agenti. Non significa però che esegua autonomamente azioni nel mondo reale: può pianificare chiamate a strumenti e partecipare a flussi multi-step o multi-turno, mentre l’applicazione che lo ospita deve eseguire, verificare e mettere in sicurezza gli strumenti. 2

Come funziona il ragionamento ricorrente guidato dall’entropia

La principale proposta tecnica di ZDTaichu5.0-9B si chiama Entropy-Gated Adaptive Recurrent Reasoning. Invece di applicare lo stesso calcolo aggiuntivo a ogni token generato, il sistema usa il livello di incertezza per decidere quali passaggi meritino un ulteriore raffinamento nello spazio latente. 2

In termini semplici, i passaggi più lineari proseguono normalmente; quando invece una previsione è incerta o difficile, il modello può dedicarle ulteriore elaborazione interna. L’obiettivo è aumentare la profondità di calcolo effettiva nei punti impegnativi, senza far crescere in modo uniforme il lavoro richiesto dall’intera risposta. 2

L’idea è particolarmente rilevante per domande spaziali: una singola relazione ambigua — per esempio dopo un cambio di angolazione della telecamera, oppure nella posizione relativa di due oggetti — può rendere errata la conclusione finale.

I risultati di benchmark dichiarati

Nei materiali del modello, TaichuAI riporta i seguenti risultati:

Area di valutazione	Benchmark	Punteggio dichiarato
Spaziale / AI incarnata	ViewSpatial	62,50
Spaziale / AI incarnata	MMSI-Bench	47,20
Spaziale / AI incarnata	MindCube-tiny	78,27
Spaziale / AI incarnata	ERQA	48,00
Spaziale / AI incarnata	RoboSpatial	56,00
Agenti / rispetto delle istruzioni	TAU2-Bench	87,70
Agenti / rispetto delle istruzioni	Claw-Eval	71,40
Agenti / rispetto delle istruzioni	IFEval	93,70

2

Il progetto presenta ZDTaichu5.0-9B come leader nel ragionamento spaziale e incarnato tra i modelli VLM generalisti di circa 10 miliardi di parametri inclusi nei suoi confronti, mantenendo al contempo solide capacità visive generali. 2

Per chi cerca un modello open relativamente compatto per carichi di lavoro spazialmente impegnativi, è un segnale interessante. Non equivale però a una classifica universale: i confronti dipendono da versioni dei modelli, prompt, pre-elaborazione, parametri di decodifica e impostazione di test scelti dal fornitore. Prima di considerare queste prestazioni definitivamente accertate servono riproduzioni indipendenti, con tali dettagli resi pubblici. 2

Disponibilità, licenza e distribuzione

ZDTaichu5.0-9B è disponibile nel repository Hugging Face di TaichuAI. La release lo identifica come modello basato su codice personalizzato e rimanda a materiali del progetto relativi al ragionamento ricorrente e alla distribuzione. 2

Il regime di licenza indicato è la NVIDIA Open Model License per i materiali rilasciati, con avvisi Apache-2.0 per i componenti Qwen3.5. Chi prevede ridistribuzione o utilizzo commerciale dovrebbe verificare direttamente i file di licenza e gli avvisi aggiornati nel repository. 2

Per l’erogazione del modello, TaichuAI documenta percorsi basati su vLLM 0.26.0 personalizzato e Docker, compresi preset di campionamento differenti per attività di grounding spaziale e per compiti generali. 2

In sintesi

ZDTaichu5.0-9B è un modello multimodale open di circa 9 miliardi di parametri con una specializzazione precisa: ragionare attraverso immagini, punti di vista, scene e video, non soltanto riconoscere contenuti visivi. Il contesto da 128K token, l’input visivo a qualsiasi risoluzione e il ragionamento ricorrente adattivo lo rendono un’opzione da osservare per ricerca e sviluppo su VLM spaziali, AI incarnata e workflow di agenti controllati dall’applicazione ospitante. 2

I risultati pubblicati sono incoraggianti, soprattutto nei benchmark spaziali, ma vanno letti come evidenze riportate dal fornitore e non come prestazioni comparative già confermate da terze parti. 2