ZDTaichu5.0-9B: открытая мультимодальная модель для задач, где важно понимать пространство

ZDTaichu5.0-9B — открытая мультимодальная базовая модель от TaichuAI для понимания визуальной информации, пространственного рассуждения, исследований воплощённого ИИ и агентных сценариев с инструментами. Её ключевая особенность не сводится к распознаванию содержимого картинки: модель заявлена для задач, в которых нужно учитывать смену точки обзора, взаимное расположение объектов, несколько изображений и длинные видеоматериалы. 2

Из чего состоит модель

В основе ZDTaichu5.0-9B — языковой декодер Qwen3.5-9B примерно на 9 млрд параметров и визуальный энкодер C-RADIOv4-H. Модель принимает текст, одно или несколько изображений, а также видео. В релизе заявлены работа с визуальными входами произвольного разрешения и контекстное окно до 128 тыс. токенов. 2

Такой набор возможностей ориентирован не только на генерацию описаний к изображениям. В карточке модели среди целевых задач указаны документы, графики, схемы, OCR — распознавание текста на изображениях, визуальные вопросы и визуальная математика. 2

На что сделан упор: пространство, ракурсы и видео

TaichuAI акцентирует внимание на пространственных и «воплощённых» задачах, которые нередко оказываются сложными для универсальных vision-language-моделей. Заявленные возможности включают:

• двух- и трёхмерное пространственное рассуждение: отношения объектов и структуру сцены;
• смену точки зрения и мысленное преобразование системы отсчёта;
• сопоставление объектов и деталей между разными ракурсами;
• понимание видео и серий изображений, отслеживание событий и поиск деталей в длинных роликах;
• понятия из области воплощённого ИИ: пространственное восприятие, аффордансы, понимание манипуляций и высокоуровневое планирование действий. 2

Модель также рассчитана на агентные взаимодействия. Однако планирование вызовов инструментов не означает, что она сама выполняет действия во внешних системах: запуск инструментов, проверка результатов и безопасность остаются задачей приложения-хоста. 2

Что означает Entropy-Gated Adaptive Recurrent Reasoning

Главное техническое заявление ZDTaichu5.0-9B — механизм Entropy-Gated Adaptive Recurrent Reasoning, то есть адаптивное рекуррентное рассуждение с энтропийным шлюзом. Вместо одинакового дополнительного вычисления для каждого токена система использует оценку неопределённости, чтобы решать, где требуется дополнительное уточнение во внутреннем, латентном представлении. 2

Проще говоря, на очевидных шагах модель продолжает работу обычным образом, а на сложных или неуверенных — может выполнить дополнительные внутренние шаги уточнения. Заявленная цель — увеличить эффективную вычислительную глубину на трудных этапах, не повышая одинаково вычислительные затраты для всего ответа. 2

Для пространственных вопросов это особенно важно: один неоднозначно интерпретированный поворот камеры или неверно определённая позиция предмета относительно другого может изменить итоговый ответ.

Какие результаты приводит разработчик

TaichuAI публикует следующие результаты тестов в материалах модели:

Область оценки	Бенчмарк	Заявленный результат
Пространственные / embodied-задачи	ViewSpatial	62,50
Пространственные / embodied-задачи	MMSI-Bench	47,20
Пространственные / embodied-задачи	MindCube-tiny	78,27
Пространственные / embodied-задачи	ERQA	48,00
Пространственные / embodied-задачи	RoboSpatial	56,00
Агентные задачи / следование инструкциям	TAU2-Bench	87,70
Агентные задачи / следование инструкциям	Claw-Eval	71,40
Агентные задачи / следование инструкциям	IFEval	93,70

2

Проект позиционирует ZDTaichu5.0-9B как лидера по пространственному и embodied-рассуждению среди сопоставляемых универсальных VLM примерно 10-миллиардного масштаба, сохраняя сильные общие визуальные возможности. 2

Это полезный ориентир для разработчиков, выбирающих компактную открытую модель под задачи с высокими требованиями к пространственному анализу. Но это не универсальный рейтинг: сравнение зависит от выбранных разработчиком версий моделей, промптов, предобработки, параметров декодирования и протокола тестирования. Чтобы считать преимущество подтверждённым, нужны независимые воспроизведения экспериментов с прозрачными деталями методики. 2

Где доступна модель и как её разворачивать

ZDTaichu5.0-9B размещена в репозитории TaichuAI на Hugging Face. Релиз обозначен как модель с пользовательским кодом и содержит ссылки на материалы по рекуррентному рассуждению и развёртыванию. 2

Для опубликованных материалов указана лицензия NVIDIA Open Model License; для компонентов Qwen3.5 приведены уведомления об Apache-2.0. Перед распространением модели или коммерческим использованием стоит самостоятельно изучить актуальные файлы лицензий и уведомления в репозитории. 2

Для инференса TaichuAI документирует собственные варианты запуска через vLLM 0.26.0 и Docker, включая разные пресеты семплирования для задач пространственной привязки и для общих задач. 2

Вывод

ZDTaichu5.0-9B — открытая мультимодальная модель примерно 9-миллиардного класса с чёткой специализацией на рассуждении по изображениям, ракурсам, сценам и видео, а не только на распознавании визуального содержимого. Контекст до 128 тыс. токенов, поддержка визуальных входов произвольного разрешения и адаптивное рекуррентное рассуждение делают её заметным вариантом для исследований пространственных VLM, воплощённого ИИ и агентных систем, управляемых приложением-хостом. 2

Опубликованные результаты выглядят многообещающе, особенно в пространственных тестах. Однако пока это данные самого разработчика, а не независимо установленный сравнительный результат: для уверенных выводов необходима внешняя репликация тестов в прозрачных условиях. 2