RespostasPublicado11 fontes
ZDTaichu5.0-9B aposta em raciocínio espacial para ir além de reconhecer imagens
O ZDTaichu5.0 9B combina um decodificador de linguagem Qwen3.5 9B, com cerca de 9 bilhões de parâmetros, e o codificador visual C RADIOv4 H. Ele aceita texto, uma ou várias imagens e vídeo, com entradas visuais em qualquer resolução e janela de contexto de até 128 mil tokens.
Publicado porEditado com GPT-5.6 TerraImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- O ZDTaichu5.0 9B combina um decodificador de linguagem Qwen3.5 9B, com cerca de 9 bilhões de parâmetros, e o codificador visual C RADIOv4 H.
- Ele aceita texto, uma ou várias imagens e vídeo, com entradas visuais em qualquer resolução e janela de contexto de até 128 mil tokens.
- Seu mecanismo de raciocínio recorrente com gate de entropia concentra computação adicional nos trechos em que o modelo tem mais incerteza.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What is TaichuAI’s open-sourced ZDTaichu5.0-9B multimodal model, including its approximately 9-billion-parameter Qwen3.5-9B and C-RADIOv4-H. Article summary: ZDTaichu5.0-9B is TaichuAI’s open multimodal vision-language model for general visual understanding, spatial/embodied reasoning, and agentic tool-use research. It combines a roughly 9B-parameter Qwen3.5-9B language decod. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
O ZDTaichu5.0-9B é um modelo multimodal aberto da TaichuAI voltado à compreensão visual, ao raciocínio espacial, ao uso de ferramentas em fluxos de agentes e à pesquisa em IA incorporada — isto é, sistemas que precisam perceber e agir em ambientes físicos. O foco não é apenas identificar o que aparece em uma imagem: a proposta é lidar com mudanças de perspectiva, relações entre objetos, evidências distribuídas entre várias imagens e vídeos longos. 2
Arquitetura: linguagem e visão no mesmo modelo
O modelo reúne um decodificador de linguagem Qwen3.5-9B, de aproximadamente 9 bilhões de parâmetros, e um codificador visual C-RADIOv4-H. Ele recebe texto, imagens individuais ou múltiplas e vídeo; segundo a documentação da versão, aceita conteúdo visual em qualquer resolução e trabalha com uma janela de contexto de até 128 mil tokens. 2
Na prática, isso amplia seu escopo para além da descrição de imagens. A TaichuAI cita aplicações em documentos, gráficos, diagramas, OCR (reconhecimento óptico de caracteres), perguntas sobre imagens e matemática visual, além da interpretação de cenas. 2
Onde o raciocínio espacial entra
A TaichuAI destaca tarefas espaciais e incorporadas que tendem a ser mais difíceis para modelos convencionais de visão e linguagem. Entre as capacidades declaradas estão:
- raciocínio espacial em 2D e 3D, incluindo relações entre objetos e estrutura da cena;
- mudanças de ponto de vista e transformações mentais de referências espaciais;
- associação entre múltiplas vistas e comparação entre imagens de ângulos distintos;
- compreensão de vídeos e conjuntos de imagens, com rastreamento de eventos e busca por detalhes em trechos mais longos;
- conceitos de IA incorporada, como percepção espacial, affordances — possibilidades de interação oferecidas por um objeto —, compreensão de manipulação e planejamento de ações de alto nível.
2
O modelo também oferece recursos voltados a agentes. Isso, porém, não significa que ele execute ações de forma autônoma: ele pode planejar chamadas de ferramentas e participar de fluxos de várias etapas ou turnos, mas o aplicativo que o hospeda continua responsável por executar, validar e proteger essas ferramentas. 2
Como funciona o raciocínio recorrente guiado por entropia
O principal diferencial técnico anunciado é o Entropy-Gated Adaptive Recurrent Reasoning, ou raciocínio recorrente adaptativo guiado por entropia. Em vez de aplicar a mesma computação extra a cada token gerado, o sistema usa a incerteza da previsão para decidir em quais pontos vale fazer refinamentos adicionais no espaço latente. 2
Em termos simples: passos mais diretos seguem adiante normalmente, enquanto previsões incertas ou mais difíceis podem receber rodadas extras de processamento interno. A ideia é aumentar a profundidade efetiva de computação nas partes mais complicadas do raciocínio, sem elevar de maneira uniforme o custo de toda a resposta. 2
Isso é especialmente relevante em perguntas espaciais, nas quais uma única relação ambígua — como a posição de um objeto depois de uma mudança de câmera — pode mudar toda a conclusão.
Resultados de benchmark divulgados
A TaichuAI informa os seguintes resultados em seus materiais do modelo:
| Área de avaliação | Benchmark | Pontuação divulgada |
|---|---|---|
| Espacial / incorporada | ViewSpatial | 62,50 |
| Espacial / incorporada | MMSI-Bench | 47,20 |
| Espacial / incorporada | MindCube-tiny | 78,27 |
| Espacial / incorporada | ERQA | 48,00 |
| Espacial / incorporada | RoboSpatial | 56,00 |
| Agentes / seguimento de instruções | TAU2-Bench | 87,70 |
| Agentes / seguimento de instruções | Claw-Eval | 71,40 |
| Agentes / seguimento de instruções | IFEval | 93,70 |
O projeto apresenta o modelo como líder em raciocínio espacial e incorporado entre os modelos multimodais de propósito geral, ou VLMs, de escala próxima a 10 bilhões de parâmetros incluídos em suas comparações, preservando capacidades visuais gerais robustas. 2
Esse desempenho é um sinal útil para quem procura um modelo aberto e relativamente compacto para cargas de trabalho espaciais. Mas não representa um ranking universal: as comparações divulgadas dependem das versões dos modelos, prompts, pré-processamento, configurações de decodificação e protocolo de avaliação escolhidos pelo próprio fornecedor. A reprodução independente, com esses detalhes abertos, ainda é necessária para consolidar a comparação de desempenho. 2
Disponibilidade, licença e implantação
O ZDTaichu5.0-9B está disponível no repositório da TaichuAI no Hugging Face. A versão é identificada como baseada em código personalizado e inclui links para materiais do projeto relacionados ao raciocínio recorrente e à implantação. 2
A licença indicada para os materiais liberados do modelo é a NVIDIA Open Model License, enquanto os componentes do Qwen3.5 trazem avisos de licença Apache-2.0. Equipes que pretendam redistribuir o modelo ou empregá-lo comercialmente devem consultar diretamente os arquivos de licença e avisos mais recentes no repositório. 2
Para servir o modelo em produção, a TaichuAI documenta caminhos com uma versão personalizada do vLLM 0.26.0 e com Docker, incluindo predefinições de amostragem distintas para tarefas de ancoragem espacial e para tarefas gerais. 2
Em resumo
O ZDTaichu5.0-9B é um modelo multimodal aberto de aproximadamente 9 bilhões de parâmetros com uma especialização clara: raciocinar sobre imagens, pontos de vista, cenas e vídeos, e não apenas reconhecer conteúdo visual. O contexto de 128 mil tokens, a aceitação de imagens em qualquer resolução e o mecanismo de raciocínio recorrente adaptativo o tornam uma opção relevante para pesquisa e desenvolvimento em VLMs espaciais, IA incorporada e agentes controlados pelo aplicativo anfitrião. 2
Os resultados publicados são promissores, sobretudo nos benchmarks espaciais, mas devem ser entendidos como dados reportados pelo fornecedor até que testes independentes reproduzam as avaliações em condições transparentes. 2
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "ZDTaichu5.0-9B aposta em raciocínio espacial para ir além de reconhecer imagens"?
O ZDTaichu5.0 9B combina um decodificador de linguagem Qwen3.5 9B, com cerca de 9 bilhões de parâmetros, e o codificador visual C RADIOv4 H.
Quais são os pontos-chave para validar primeiro?
O ZDTaichu5.0 9B combina um decodificador de linguagem Qwen3.5 9B, com cerca de 9 bilhões de parâmetros, e o codificador visual C RADIOv4 H. Ele aceita texto, uma ou várias imagens e vídeo, com entradas visuais em qualquer resolução e janela de contexto de até 128 mil tokens.
O que devo fazer a seguir na prática?
Seu mecanismo de raciocínio recorrente com gate de entropia concentra computação adicional nos trechos em que o modelo tem mais incerteza.
Fontes
zerohour.dayQwen3.5-9B (Product): news timeline & CVEs · ZeroHour
ai-all.infoZDTaichu5.0-9B – A New Generation Open-Source General-Purpose Multimodal Large Model from Taichu-AI - AI Tools Directory
timeline.sohu.com刚刚，中国队9B「全能王」开源登场！横扫8项全球通用第一
sohu.com紫东太初开源ZDTaichu5.0-9B：10B 参数内空间具身能力最 ...