ZDTaichu5.0-9B、空間を読むAIはロボット研究にどう役立つか

ロボットが机上の物に働きかけるには、物の名前を答えるだけでなく、互いの位置や視点を変えたときの見え方を捉える必要がある。TaichuAIのZDTaichu5.0-9Bは、そうした空間理解や、外部ツールを使うAIエージェントの実験を念頭に置いた、ダウンロード可能な視覚言語モデルだ。ただし、場面について正しく答えられることと、その場でロボットを安全に動かせることは別問題である。220

何を入力できるのか

言語処理にはQwen3.5-9B、画像の処理にはC-RADIOv4-Hを組み合わせる。入力はテキスト、1枚または複数枚の画像、動画に対応し、視覚入力は解像度を限定しない仕様としている。公称のコンテキスト長は最大128Kトークン。複数の視点を参照する研究に使える構成だが、あらゆる入力サイズや長さでの性能を保証する数字ではない。2

難しい箇所に計算を振り向ける

TaichuAIが「エントロピー・ゲート付き適応的再帰推論」と呼ぶ仕組みは、すべてのトークンに同じ計算をかけるのではなく、難しいトークンに潜在表現の追加的な精緻化ステップを割り当てるというものだ。視点が変わっても物の位置関係を追えるか、場面の解釈をツール利用につなげられるか――そうした課題を検証する候補にはなるが、ロボットの認識から行動まで検証済みのシステムではない。202

公表スコアの読み方

TaichuAIが報告するスコアは、ViewSpatialが62.50、MindCube-tinyが78.27、MMSI-Benchが47.20、ERQAが48.00、RoboSpatialが56.00。同社は、比較対象とした同規模の汎用視覚言語モデルの中で空間理解が優位だとしている。ただし、ここで挙げたのは発表元による評価結果であり、独立に再現された結果ではない。研究室ごとの画像、エージェント構成、実環境で改めて確かめる必要がある。120

導入前に確認したい2点

本体はモデル共有サイトのHugging Faceで公開され、TaichuAIはFP8版、NVFP4版に加え、vLLMでの投機的デコーディングに使う補助モデル「DSpark」も提供している。vLLMはモデルをサーバーとして動かすためのソフトウェアで、TaichuAIは専用Dockerイメージと変更を加えたvLLMブランチを案内している。まずはその手順を確認したい。245317

第一に、再利用前に元モデルと構成要素・変換済み重みのライセンスを確認すること。第三者によるGGUF変換版にはApache-2.0と表示されている一方、別のモデル情報サイトは異なるライセンス構成を記載している。変換版の表示だけで元モデルの利用条件は確定できない。86

第二に、サーバー設定値とモデルの公称仕様を混同しないこと。TaichuAIのvLLMコマンド例には--max-model-len 220000とあるが、モデル仕様は最大128Kトークン。設定値だけを根拠に、22万トークンの実効コンテキストが検証済みとは言えない。172