ZDTaichu5.0-9B: модель для изучения пространственного мышления ИИ

Для исследователя робототехники интерес ZDTaichu5.0-9B заключается не просто в распознавании объектов. Модель можно загрузить и использовать в экспериментах, где системе нужно понять взаимное расположение предметов, сопоставить разные ракурсы сцены и передать результат агенту, работающему с инструментами. Однако убедительное описание сцены ещё не означает, что модель способна надёжно и безопасно управлять роботом. 220

Что находится внутри

TaichuAI объединила языковой декодер Qwen3.5-9B с визуальным энкодером C-RADIOv4-H. Согласно описанию модели, на вход можно подавать текст, одно изображение, несколько изображений или видео; для визуальных данных заявлена поддержка произвольного разрешения. Максимальная заявленная длина контекста — до 128 тыс. токенов. Это даёт возможность исследовать задачи, в которых важны несколько видов одной сцены и большой объём сопутствующего контекста, но само по себе не подтверждает одинаковое качество работы при любых размерах входных данных. 2

Разработчик называет один из подходов модели адаптивным рекуррентным рассуждением с энтропийным управлением. По объяснению TaichuAI, модель может выделять дополнительные внутренние шаги обработки для более сложных токенов, а не тратить одинаковый объём вычислений на каждый. Для пространственных задач это существенная идея: смена ракурса или неоднозначное положение предмета требуют аккуратного сопоставления деталей. Насколько подход помогает в конкретной системе, исследователям предстоит проверять экспериментально. 202

Как читать результаты тестов

В сравнениях, опубликованных TaichuAI для универсальных визуально-языковых моделей сопоставимого размера, ZDTaichu5.0-9B получила 62,50 балла на ViewSpatial, 78,27 на MindCube-tiny, 47,20 на MMSI-Bench, 48,00 на ERQA и 56,00 на RoboSpatial. Разработчик считает её результаты в пространственных задачах ведущими среди сравниваемых моделей. Это результаты, сообщённые разработчиком, а не независимо воспроизведённая здесь оценка. Они не заменяют испытаний на собственных сценах, в конкретной агентной системе и тем более в физической среде. 120

Доступ и запуск: две проверки перед началом работы

Основная модель размещена на Hugging Face; там же TaichuAI опубликовала варианты FP8 и NVFP4. Отдельная модель DSpark предназначена для спекулятивного декодирования при работе с ZDTaichu5.0-9B через vLLM. Для запуска TaichuAI документирует специальный Docker-образ vLLM и модифицированную ветку проекта — на эти инструкции надёжнее ориентироваться, чем предполагать, что стандартная установка поведёт себя так же. 245317

Прежде чем включать модель в проект, стоит проверить два момента:

• Лицензия. Сторонняя конверсия в GGUF помечена как Apache-2.0, но другое описание модели указывает на иной набор условий. Метка сторонней конверсии не определяет права на исходную модель и все её компоненты: условия нужно сверять с первоисточником. 86
• Реальная длина контекста. В примере команды vLLM указан параметр --max-model-len 220000, тогда как спецификация модели обещает до 128 тыс. токенов. Настройка сервера не доказывает, что модель проверенно работает с контекстом в 220 тыс. токенов. 172