ZDTaichu5.0-9B: โมเดล AI มัลติโหมดโอเพนซอร์ส 9B ที่เน้นการให้เหตุผลเชิงพื้นที่

ZDTaichu5.0-9B คือโมเดลพื้นฐานแบบมัลติโหมดที่เปิดเผยจาก TaichuAI ซึ่งตั้งเป้าไปไกลกว่าการบรรยายภาพทั่วไป โดยเน้นความเข้าใจภาพ การให้เหตุผลเชิงพื้นที่ การใช้เครื่องมือในรูปแบบเอเจนต์ และงานวิจัยด้าน embodied AI หรือ AI ที่รับรู้และวางแผนการกระทำในโลกกายภาพ 2

จุดที่น่าสนใจสำหรับนักพัฒนาและนักวิจัยคือความสามารถในการวิเคราะห์ความสัมพันธ์ของวัตถุ การเปลี่ยนมุมมอง หลักฐานจากหลายภาพ และวิดีโอที่มีบริบทยาว ไม่ใช่เพียงระบุว่าในภาพมีอะไรอยู่บ้าง 2

สถาปัตยกรรม: โมเดลภาษาพร้อมตัวเข้ารหัสภาพ

โมเดลนี้รวมตัวถอดรหัสภาษา Qwen3.5-9B ขนาดราว 9 พันล้านพารามิเตอร์ เข้ากับตัวเข้ารหัสภาพ C-RADIOv4-H รองรับอินพุตข้อความ ภาพเดี่ยว ภาพหลายภาพ และวิดีโอ โดยเอกสารระบุว่ารับข้อมูลภาพความละเอียดใดก็ได้ และมีหน้าต่างบริบทสูงสุด 128K โทเค็น 2

ขอบเขตการใช้งานที่ผู้พัฒนาระบุครอบคลุมเอกสาร กราฟ แผนภาพ OCR หรือการอ่านข้อความจากภาพ การตอบคำถามเกี่ยวกับภาพ และคณิตศาสตร์จากข้อมูลภาพ รวมถึงการตีความฉากโดยรวม 2

โมเดลนี้ออกแบบมาให้เข้าใจอะไร

TaichuAI เน้นความสามารถด้านพื้นที่และ embodied AI ซึ่งมักเป็นโจทย์ที่โมเดลวิสัยทัศน์-ภาษาทั่วไปทำได้ยาก โดยระบุความสามารถไว้ เช่น

• การให้เหตุผลเชิงพื้นที่ 2 มิติและ 3 มิติ เช่น ความสัมพันธ์ระหว่างวัตถุและโครงสร้างของฉาก
• การเปลี่ยนมุมมองและการแปลงภาพในใจ เมื่อกรอบอ้างอิงเปลี่ยนไป
• การเชื่อมโยงและเปรียบเทียบข้อมูลจากหลายมุมมอง
• การเข้าใจวิดีโอและภาพหลายภาพ รวมถึงการติดตามเหตุการณ์และค้นหารายละเอียดจากวิดีโอที่ยาวขึ้น
• แนวคิดด้าน embodied AI เช่น การรับรู้เชิงพื้นที่ การเข้าใจสิ่งที่วัตถุเอื้อต่อการกระทำ การเข้าใจการหยิบจับ และการวางแผนการกระทำระดับสูง 2

โมเดลยังรองรับปฏิสัมพันธ์แนวเอเจนต์ด้วย แต่ควรแยกให้ออกระหว่าง “การวางแผนเรียกใช้เครื่องมือ” กับ “การลงมือทำเอง” โมเดลสามารถช่วยวางแผนการเรียกเครื่องมือและทำงานหลายขั้นตอนหรือหลายรอบได้ ส่วนแอปพลิเคชันโฮสต์ยังต้องเป็นผู้เรียกใช้ ตรวจสอบความถูกต้อง และรักษาความปลอดภัยของเครื่องมือเหล่านั้น 2

Entropy-Gated Adaptive Recurrent Reasoning คืออะไร

ข้อเสนอทางเทคนิคหลักของ ZDTaichu5.0-9B คือ Entropy-Gated Adaptive Recurrent Reasoning กล่าวคือ แทนที่จะเพิ่มการประมวลผลเพื่อการให้เหตุผลเท่า ๆ กันในทุกโทเค็น ระบบจะใช้ระดับความไม่แน่นอนเพื่อพิจารณาว่าจุดใดควรได้รับการปรับแต่งซ้ำเพิ่มเติมใน latent space 2

อธิบายแบบง่าย ๆ คือ ขั้นตอนที่ตอบได้ตรงไปตรงมาสามารถเดินหน้าต่อได้ตามปกติ แต่การคาดการณ์ที่กำกวมหรือยากจะได้รับการกลั่นกรองภายในเพิ่มอีกระดับ เป้าหมายคือเพิ่มความลึกของการคำนวณในจุดที่เป็นโจทย์หนัก โดยไม่ต้องเพิ่มภาระการคำนวณให้ทั้งคำตอบอย่างสม่ำเสมอ 2

แนวทางนี้เหมาะกับคำถามเชิงพื้นที่เป็นพิเศษ เพราะความกำกวมเพียงจุดเดียว เช่น กล้องเปลี่ยนมุม หรือวัตถุชิ้นหนึ่งอยู่สัมพันธ์กับอีกชิ้นอย่างไร อาจทำให้ข้อสรุปสุดท้ายผิดไปทั้งหมดได้

ผลเบนช์มาร์กที่ TaichuAI รายงาน

เอกสารของ TaichuAI รายงานผลดังนี้

หมวดประเมิน	เบนช์มาร์ก	คะแนนที่รายงาน
เชิงพื้นที่ / embodied	ViewSpatial	62.50
เชิงพื้นที่ / embodied	MMSI-Bench	47.20
เชิงพื้นที่ / embodied	MindCube-tiny	78.27
เชิงพื้นที่ / embodied	ERQA	48.00
เชิงพื้นที่ / embodied	RoboSpatial	56.00
เอเจนต์ / ทำตามคำสั่ง	TAU2-Bench	87.70
เอเจนต์ / ทำตามคำสั่ง	Claw-Eval	71.40
เอเจนต์ / ทำตามคำสั่ง	IFEval	93.70

2

โครงการวางตำแหน่งโมเดลนี้ว่าเด่นด้านการให้เหตุผลเชิงพื้นที่และ embodied reasoning เมื่อเทียบกับโมเดล VLM อเนกประสงค์ขนาดราว 10B ที่อยู่ในการเปรียบเทียบของตน ขณะเดียวกันยังรักษาความสามารถด้านภาพทั่วไปไว้ในระดับสูง 2

อย่างไรก็ดี นี่ไม่ใช่อันดับสากล ผลเปรียบเทียบดังกล่าวขึ้นอยู่กับรุ่นโมเดล พรอมป์ต์ การเตรียมข้อมูล การตั้งค่าการถอดรหัส และรูปแบบการประเมินที่ผู้พัฒนาเลือกใช้ จึงควรมีการทำซ้ำโดยหน่วยงานอิสระ พร้อมเปิดเผยรายละเอียดเหล่านี้ ก่อนสรุปว่าเป็นผลเปรียบเทียบที่ยืนยันแล้ว 2

การใช้งาน ใบอนุญาต และการติดตั้ง

ZDTaichu5.0-9B เปิดให้ใช้งานผ่านคลัง Hugging Face ของ TaichuAI โดยรุ่นที่เผยแพร่ระบุว่าเป็นโมเดลที่ใช้โค้ดเฉพาะ และลิงก์ไปยังเอกสารเกี่ยวกับ recurrent reasoning และการติดตั้งใช้งาน 2

เงื่อนไขสิทธิ์ที่ระบุสำหรับวัสดุโมเดลที่เผยแพร่คือ NVIDIA Open Model License ขณะที่ส่วนประกอบของ Qwen3.5 มีประกาศสิทธิ์แบบ Apache-2.0 ทีมที่ต้องการเผยแพร่ต่อหรือใช้เชิงพาณิชย์ควรตรวจสอบไฟล์ใบอนุญาตและประกาศล่าสุดในคลังโครงการโดยตรง 2

ด้านการเสิร์ฟโมเดล TaichuAI มีเอกสารสำหรับ vLLM 0.26.0 แบบปรับแต่งและ Docker รวมถึงพรีเซ็ตการสุ่มตัวอย่างที่แยกสำหรับงานระบุตำแหน่งเชิงพื้นที่ และงานทั่วไป 2

สรุป

ZDTaichu5.0-9B เป็นโมเดลมัลติโหมดแบบเปิดขนาดราว 9B ที่มีจุดยืนชัดเจน: ไม่ได้มุ่งแค่รู้จำเนื้อหาในภาพ แต่ต้องการให้เหตุผลข้ามภาพ มุมมอง ฉาก และวิดีโอได้ด้วย หน้าต่างบริบท 128K อินพุตภาพที่ไม่จำกัดความละเอียด และแนวคิด recurrent reasoning แบบปรับตามความไม่แน่นอน ทำให้เป็นตัวเลือกที่น่าจับตาสำหรับผู้ที่ทำงานกับ VLM เชิงพื้นที่, embodied AI และเวิร์กโฟลว์เอเจนต์ที่มีแอปพลิเคชันโฮสต์คุมการใช้เครื่องมือ 2

ผลทดสอบที่เผยแพร่มีสัญญาณเชิงบวก โดยเฉพาะในเบนช์มาร์กเชิงพื้นที่ แต่ควรมองว่าเป็นหลักฐานจากผู้พัฒนา ไม่ใช่ข้อยืนยันอิสระ จนกว่าจะมีบุคคลที่สามทดสอบซ้ำภายใต้เงื่อนไขที่โปร่งใส 2