ZDTaichu5.0-9B: Model AI Terbuka 9B untuk Penaakulan Ruang dan Video

ZDTaichu5.0-9B ialah model asas multimodal terbuka daripada TaichuAI yang disasarkan kepada pemahaman visual, penaakulan ruang, penggunaan alat berasaskan ejen dan penyelidikan AI terjelma (embodied AI). Nilai praktikalnya bukan sekadar kebolehan mentafsir imej: projek ini direka khusus untuk tugasan yang memerlukan sistem menilai perubahan sudut pandang, hubungan antara objek, bukti daripada berbilang imej serta video dalam konteks panjang. 2

Seni bina: penyahkod bahasa dan pengekod visual

Model ini menggabungkan penyahkod bahasa Qwen3.5-9B dengan kira-kira 9 bilion parameter dan pengekod visual C-RADIOv4-H. Ia menerima teks, satu atau berbilang imej, serta video; keluaran ini menyatakan sokongan untuk input visual pada sebarang resolusi dan tetingkap konteks sehingga 128K token. 2

Julat input tersebut menjadikannya lebih luas daripada model untuk kapsyen imej biasa. Kad model meletakkan ZDTaichu5.0-9B bagi dokumen, carta, rajah, OCR (pengecaman aksara optik), soal jawab visual dan matematik visual, di samping tafsiran babak yang lebih menyeluruh. 2

Apa yang cuba difahami oleh model ini

TaichuAI menekankan tugasan ruang dan AI terjelma yang sering mencabar model bahasa-visual serba guna. Keupayaan yang dinyatakan termasuk:

• Penaakulan ruang 2D dan 3D, termasuk hubungan objek serta struktur babak
• Pertukaran sudut pandang dan transformasi mental, apabila rangka rujukan berubah
• Pengaitan pelbagai pandangan dan perbandingan rentas pandangan
• Pemahaman video dan berbilang imej, termasuk penjejakan peristiwa serta mendapatkan semula perincian daripada rakaman lebih panjang
• Konsep AI terjelma, seperti persepsi ruang, kebolehlaksanaan tindakan (affordance), pemahaman manipulasi dan perancangan tindakan peringkat tinggi 2

Model ini juga menyokong interaksi berorientasikan ejen. Namun, ini tidak bererti ia melaksanakan tindakan secara autonomi: model boleh merancang panggilan alat dan menyertai aliran kerja berbilang langkah atau berbilang giliran, tetapi aplikasi hos kekal bertanggungjawab untuk melaksanakan, mengesahkan dan melindungi penggunaan alat tersebut. 2

Penaakulan berulang berpagar entropi, secara ringkas

Dakwaan teknikal utama ZDTaichu5.0-9B ialah Entropy-Gated Adaptive Recurrent Reasoning. Berbanding menggunakan pengiraan penaakulan tambahan yang sama pada setiap token, sistem ini menggunakan tahap ketidakpastian untuk menentukan bahagian yang memerlukan penambahbaikan tambahan dalam ruang laten. 2

Secara mudahnya, langkah yang jelas boleh diteruskan seperti biasa, manakala ramalan yang kabur atau sukar boleh menerima penambahbaikan dalaman tambahan. Matlamatnya ialah memberikan kedalaman pengiraan yang lebih tinggi pada langkah penaakulan sukar tanpa menambah kerja secara seragam pada keseluruhan jawapan. 2

Ini penting untuk soalan ruang kerana satu hubungan yang samar—misalnya perubahan sudut kamera atau kedudukan relatif dua objek—boleh menentukan sama ada jawapan akhir adalah tepat.

Skor penanda aras yang dilaporkan

TaichuAI melaporkan keputusan berikut dalam bahan modelnya:

Bidang penilaian	Penanda aras	Skor dilaporkan
Ruang / AI terjelma	ViewSpatial	62.50
Ruang / AI terjelma	MMSI-Bench	47.20
Ruang / AI terjelma	MindCube-tiny	78.27
Ruang / AI terjelma	ERQA	48.00
Ruang / AI terjelma	RoboSpatial	56.00
Ejen / mengikut arahan	TAU2-Bench	87.70
Ejen / mengikut arahan	Claw-Eval	71.40
Ejen / mengikut arahan	IFEval	93.70

2

Projek ini meletakkan model tersebut sebagai peneraju dalam penaakulan ruang dan AI terjelma dalam kalangan model bahasa-visual serba guna berskala kira-kira 10B yang dimasukkan dalam perbandingannya, sambil mengekalkan keupayaan visual umum yang kukuh. 2

Ini ialah petunjuk yang berguna untuk penyelidik atau pembangun yang mencari model terbuka lebih padat bagi beban kerja yang memerlukan penaakulan ruang. Namun, ia bukan kedudukan sejagat. Perbandingan yang dilaporkan bergantung pada versi model, gesaan, prapemprosesan, tetapan penyahkodan dan susun atur penilaian yang dipilih oleh pembekal. Penghasilan semula secara bebas dengan butiran tersebut didedahkan diperlukan sebelum keputusan ini dianggap sebagai prestasi perbandingan yang muktamad. 2

Ketersediaan, lesen dan pelaksanaan

ZDTaichu5.0-9B tersedia melalui repositori Hugging Face TaichuAI. Keluaran ini mengenal pasti model tersebut sebagai berasaskan kod tersuai dan memautkan bahan projek bagi penaakulan berulang serta pelaksanaan. 2

Susunan pelesenan yang dinyatakan ialah NVIDIA Open Model License untuk bahan model yang dikeluarkan, dengan notis Apache-2.0 bagi komponen Qwen3.5. Pasukan yang mempertimbangkan pengedaran semula atau penggunaan komersial perlu menyemak terus fail lesen dan notis terkini dalam repositori. 2

Untuk penyajian model, TaichuAI mendokumentasikan laluan vLLM 0.26.0 tersuai dan Docker, termasuk pratetap pensampelan berlainan untuk beban kerja penentududukan ruang (spatial grounding) dan tugasan umum. 2

Kesimpulannya

ZDTaichu5.0-9B ialah model multimodal terbuka berskala kira-kira 9B yang dibina dengan pengkhususan jelas: menaakul merentasi imej, sudut pandang, babak dan video—bukan sekadar mengenal kandungan visual. Konteks 128K, input visual pada sebarang resolusi dan pendekatan penaakulan berulang adaptif menjadikannya pilihan yang menarik untuk penyelidik dan pembangun yang meneroka model bahasa-visual ruang, AI terjelma serta aliran kerja ejen yang diuruskan oleh aplikasi hos. 2

Keputusan yang diterbitkan kelihatan memberangsangkan, khususnya pada penanda aras ruang, tetapi ia wajar dilihat sebagai bukti yang dilaporkan pembekal—bukan prestasi yang telah disahkan secara bebas—sehingga ujian itu dihasilkan semula oleh pihak ketiga dalam keadaan yang telus. 2