AnswersPublished11 sources
ZDTaichu5.0-9B satsar på rumsligt AI-resonemang
ZDTaichu5.0 9B kombinerar språkmodellen Qwen3.5 9B med bildkodaren C RADIOv4 H och tar emot text, bilder och video. Modellens särskilda metod lägger extra intern beräkning på token där modellen är osäker, i stället för att använda samma mängd beräkning överallt.
Publicerad avRedigerad med GPT-5.6 TerraBilder genererade med GPT Image 2
Research answer
Key takeaways
- ZDTaichu5.0 9B kombinerar språkmodellen Qwen3.5 9B med bildkodaren C RADIOv4 H och tar emot text, bilder och video.
- Modellens särskilda metod lägger extra intern beräkning på token där modellen är osäker, i stället för att använda samma mängd beräkning överallt.
- Vikter och distributionsmaterial finns på Hugging Face, med dokumentation för anpassad vLLM 0.26.0 och Docker.
AI Prompt
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
ZDTaichu5.0-9B är TaichuAI:s öppna multimodala grundmodell för visuell förståelse, rumsligt resonemang, agentbaserad verktygsanvändning och forskning om embodied AI – alltså AI som ska tolka och agera i den fysiska världen. Dess styrka är inte enbart bildtolkning: modellen är särskilt inriktad på uppgifter där den måste förstå ändrade perspektiv, relationer mellan objekt, information från flera bilder och video över längre sammanhang. 2
Arkitektur: språkmodell möter bildkodare
Modellen kombinerar en språkavkodare på omkring 9 miljarder parametrar, Qwen3.5-9B, med bildkodaren C-RADIOv4-H. Den kan hantera text, enskilda eller flera bilder samt video. Enligt modellkortet stöds visuella indata i valfri upplösning och ett kontextfönster på upp till 128K token. 2
Det innebär att användningsområdet är bredare än vanlig bildtextning. ZDTaichu5.0-9B positioneras även för dokument, diagram, OCR – textigenkänning i bilder – visuella frågor och visuell matematik, utöver mer generell scenförståelse. 2
Byggd för perspektiv, rum och rörelse
TaichuAI lyfter fram rumsliga och kroppsligt förankrade uppgifter som ofta är svåra för allmänna vision-language-modeller. Bland de angivna funktionerna finns:
- 2D- och 3D-resonemang, exempelvis objektens inbördes relationer och sceners struktur
- Perspektivskiften och mentala transformationer, när referensramen ändras
- Koppling mellan flera vyer och jämförelser mellan vyer
- Förståelse av video och bildserier, inklusive händelsespårning och sökning efter detaljer i längre videomaterial
- Begrepp för embodied AI, såsom rumsuppfattning, handlingsmöjligheter, förståelse av manipulation och övergripande handlingsplanering
2
Modellen stöder även agentinriktade interaktioner. Det innebär dock inte att den självständigt utför åtgärder: den kan planera verktygsanrop och delta i arbetsflöden med flera steg eller dialogvändor, medan värdapplikationen måste utföra, validera och säkra verktygen. 2
Extra beräkning där osäkerheten är störst
Den centrala tekniska idén kallas Entropy-Gated Adaptive Recurrent Reasoning. I stället för att lägga samma extra resonemangsberäkning på varje token använder systemet osäkerhet som signal för när ytterligare förfining i latent utrymme behövs. 2
Enkelt uttryckt kan modellen gå vidare direkt i okomplicerade steg, men lägga mer intern bearbetning på svåra eller osäkra förutsägelser. Målet är att ge större effektivt beräkningsdjup där det behövs, utan att öka beräkningsarbetet jämnt över hela svaret. 2
Det är särskilt relevant vid rumsliga frågor: en enda feltolkad relation – exempelvis efter ett kameraskifte eller kring var ett objekt ligger i förhållande till ett annat – kan avgöra om slutsatsen blir rätt.
Rapporterade benchmarkresultat
TaichuAI redovisar följande resultat i modellmaterialet:
| Område | Benchmark | Rapporterat resultat |
|---|---|---|
| Rumsligt / embodied | ViewSpatial | 62,50 |
| Rumsligt / embodied | MMSI-Bench | 47,20 |
| Rumsligt / embodied | MindCube-tiny | 78,27 |
| Rumsligt / embodied | ERQA | 48,00 |
| Rumsligt / embodied | RoboSpatial | 56,00 |
| Agent / instruktionsföljande | TAU2-Bench | 87,70 |
| Agent / instruktionsföljande | Claw-Eval | 71,40 |
| Agent / instruktionsföljande | IFEval | 93,70 |
Projektet beskriver modellen som ledande inom rumsligt och embodied resonemang bland de allmänna VLM-modeller i ungefär 10B-klassen som ingår i dess jämförelser, samtidigt som den ska behålla starka generella visuella funktioner. 2
För utvecklare som söker en relativt kompakt öppen modell för rumsligt krävande arbetsuppgifter är det en intressant signal. Men det är ingen universell rangordning. Jämförelserna beror på de modellversioner, promptar, förbehandlingar, avkodningsinställningar och testupplägg som leverantören har valt. Oberoende reproduktion med dessa detaljer redovisade behövs innan resultaten kan ses som etablerade jämförande prestanda. 2
Tillgänglighet, licens och drift
ZDTaichu5.0-9B finns i TaichuAI:s repository på Hugging Face. I lanseringsmaterialet anges att modellen bygger på egen kod, och där länkas även material för rekurrent resonemang och driftsättning. 2
Den angivna licenslösningen är NVIDIA Open Model License för det släppta modellmaterialet, med Apache-2.0-notiser för Qwen3.5-komponenter. Organisationer som överväger vidaredistribution eller kommersiell användning bör läsa de aktuella licensfilerna och notiserna direkt i repot. 2
För inferensdrift dokumenterar TaichuAI egna vägar för vLLM 0.26.0 och Docker, inklusive olika samplingförinställningar för rumslig grundning respektive allmänna uppgifter. 2
Slutsats
ZDTaichu5.0-9B är en öppen multimodal modell i cirka 9B-klassen med en tydlig specialisering: att resonera över bilder, perspektiv, scener och video – inte bara känna igen visuellt innehåll. Kombinationen av 128K kontext, visuella indata i valfri upplösning och adaptivt rekurrent resonemang gör den intressant för forskare och utvecklare inom rumsliga VLM-modeller, embodied AI och agentflöden där värdsystemet kontrollerar verktygen. 2
De publicerade resultaten är lovande, särskilt på rumsliga benchmarktester. Men de bör läsas som leverantörsrapporterade uppgifter, inte som oberoende fastställda prestanda, tills externa aktörer har reproducerat testerna under transparenta förhållanden. 2
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "ZDTaichu5.0-9B satsar på rumsligt AI-resonemang"?
ZDTaichu5.0 9B kombinerar språkmodellen Qwen3.5 9B med bildkodaren C RADIOv4 H och tar emot text, bilder och video.
What are the key points to validate first?
ZDTaichu5.0 9B kombinerar språkmodellen Qwen3.5 9B med bildkodaren C RADIOv4 H och tar emot text, bilder och video. Modellens särskilda metod lägger extra intern beräkning på token där modellen är osäker, i stället för att använda samma mängd beräkning överallt.
What should I do next in practice?
Vikter och distributionsmaterial finns på Hugging Face, med dokumentation för anpassad vLLM 0.26.0 och Docker.
Sources
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 ...