ZDTaichu5.0-9B: Uzamsal Akıl Yürütme İçin Geliştirilen Açık Çok Modlu Model

ZDTaichu5.0-9B, TaichuAI’nin açık kaynaklı çok modlu temel modeli. Model; genel görsel anlama, uzamsal akıl yürütme, ajan odaklı araç kullanımı ve bedenlenmiş yapay zekâ araştırmaları için konumlandırılıyor. Onu sıradan bir görüntü açıklama modelinden ayıran nokta, kamera açısı değişimlerini, nesnelerin birbirine göre konumunu, birden çok görüntüden gelen kanıtları ve uzun videolardaki ayrıntıları değerlendirmeye özellikle odaklanması. 2

Mimari: dil çözücüsü ve görsel kodlayıcı

Model, yaklaşık 9 milyar parametreli Qwen3.5-9B dil çözücüsü ile C-RADIOv4-H görsel kodlayıcıyı bir araya getiriyor. Metin, tekli veya çoklu görüntü ve video girdilerini kabul ediyor. Yayın notlarına göre herhangi bir çözünürlükte görsel girdi ve 128 bin token’a kadar bağlam penceresi destekleniyor. 2

Bu kapsam, modeli yalnızca görüntü altyazısı üretimi için değil; belge, grafik, diyagram, OCR (optik karakter tanıma), görsel soru-cevap ve görsel matematik gibi işler için de uygun hâle getirmeyi amaçlıyor. 2

Model hangi tür sorunlara odaklanıyor?

TaichuAI, genel amaçlı görüntü-dil modelleri için zorlayıcı olabilen uzamsal ve bedenlenmiş görevleri öne çıkarıyor. Açıklanan yetenekler arasında şunlar bulunuyor:

• Nesne ilişkileri ve sahne yapısı dâhil 2B ve 3B uzamsal akıl yürütme
• Referans çerçevesinin değiştiği bakış açısı değişimleri ve zihinsel dönüşüm
• Çoklu bakış açısını eşleştirme ve görünümler arası karşılaştırma
• Olay takibi ve uzun kayıtlarda ayrıntı bulma dâhil video ve çoklu görüntü anlama
• Uzamsal algı, nesneyle etkileşim olanakları, manipülasyonu anlama ve üst düzey eylem planlaması gibi bedenlenmiş yapay zekâ kavramları 2

Model aynı zamanda ajan odaklı etkileşimleri de destekliyor. Ancak bu, aracın kendi başına işlem yürüttüğü anlamına gelmiyor: Model araç çağrılarını planlayabilir ve çok adımlı ya da çok turlu iş akışlarına katılabilir; araçları çalıştırmak, sonuçlarını doğrulamak ve güvenliğini sağlamak ise barındıran uygulamanın sorumluluğunda kalır. 2

Entropi kapılı uyarlamalı özyinelemeli akıl yürütme ne anlama geliyor?

ZDTaichu5.0-9B’nin temel teknik iddiası, Entropy-Gated Adaptive Recurrent Reasoning adlı yaklaşım. Sistem, her token’a aynı miktarda ek akıl yürütme hesabı uygulamak yerine belirsizlik düzeyini kullanarak hangi noktalarda gizil uzayda ek iyileştirme gerektiğine karar veriyor. 2

Basitçe ifade etmek gerekirse, model kolay adımlarda normal biçimde ilerlerken belirsiz veya zor tahminlerde ek içsel iyileştirme uygulayabiliyor. Amaç, yanıtın tamamında hesaplama maliyetini eşit biçimde artırmadan zor akıl yürütme adımlarında daha fazla etkili hesaplama derinliği sağlamak. 2

Bu yaklaşım özellikle uzamsal sorularda önem taşıyor: Değişen kamera açısı veya iki nesnenin göreli konumu gibi tek bir belirsiz ilişki, nihai yanıtın doğru olup olmadığını belirleyebilir.

Açıklanan benchmark sonuçları

TaichuAI’nin model materyallerinde paylaştığı sonuçlar şöyle:

Değerlendirme alanı	Benchmark	Açıklanan skor
Uzamsal / bedenlenmiş	ViewSpatial	62,50
Uzamsal / bedenlenmiş	MMSI-Bench	47,20
Uzamsal / bedenlenmiş	MindCube-tiny	78,27
Uzamsal / bedenlenmiş	ERQA	48,00
Uzamsal / bedenlenmiş	RoboSpatial	56,00
Ajan / yönerge takibi	TAU2-Bench	87,70
Ajan / yönerge takibi	Claw-Eval	71,40
Ajan / yönerge takibi	IFEval	93,70

2

Proje, modeli kendi karşılaştırmalarına dâhil edilen yaklaşık 10 milyar parametre ölçeğindeki genel amaçlı görüntü-dil modelleri arasında uzamsal ve bedenlenmiş akıl yürütmede lider olarak konumlandırıyor; bunun yanında genel görsel yeteneklerinin de güçlü kaldığını savunuyor. 2

Bu veriler, uzamsal açıdan zorlayıcı işler için görece kompakt ve açık bir model arayan geliştiriciler açısından yararlı bir sinyal olabilir. Ancak evrensel bir sıralama olarak görülmemeli. Karşılaştırmalar; yayıncının seçtiği model sürümlerine, istemlere, ön işlemeye, kod çözme ayarlarına ve değerlendirme düzenine bağlı. Sonuçların yerleşik karşılaştırmalı performans olarak kabul edilebilmesi için, bu ayrıntılarla yapılacak bağımsız tekrar testlerine ihtiyaç var. 2

Erişilebilirlik, lisans ve dağıtım

ZDTaichu5.0-9B, TaichuAI’nin Hugging Face deposu üzerinden erişilebilir durumda. Yayın, modelin özel kod kullandığını ve özyinelemeli akıl yürütme ile dağıtıma ilişkin proje materyallerine bağlantı verdiğini belirtiyor. 2

Açıklanan lisans düzeninde yayımlanan model materyalleri için NVIDIA Open Model License, Qwen3.5 bileşenleri için ise Apache-2.0 bildirimleri yer alıyor. Yeniden dağıtım veya ticari kullanım düşünen ekiplerin, depodaki güncel lisans dosyalarını ve bildirimleri doğrudan incelemesi gerekiyor. 2

Sunum tarafında TaichuAI; uzamsal referanslama iş yükleri ile genel görevler için farklı örnekleme hazır ayarları içeren özel vLLM 0.26.0 ve Docker yöntemlerini belgeliyor. 2

Kısa değerlendirme

ZDTaichu5.0-9B, görsel içeriği tanımanın ötesinde görüntüler, bakış açıları, sahneler ve videolar arasında ilişki kurmaya odaklanan, yaklaşık 9 milyar parametreli açık bir çok modlu model. 128 bin token’lık bağlamı, her çözünürlükte görsel girdi desteği ve uyarlamalı özyinelemeli akıl yürütme yaklaşımı; uzamsal görüntü-dil modelleri, bedenlenmiş yapay zekâ ve uygulama tarafından yönetilen ajan iş akışlarıyla çalışan araştırmacı ve geliştiriciler için onu dikkate değer bir seçenek hâline getiriyor. 2

Özellikle uzamsal benchmark’lardaki yayımlanmış sonuçlar umut verici görünse de bunlar bağımsız biçimde doğrulanmış performans değil, üreticinin bildirdiği veriler olarak değerlendirilmelidir. Şeffaf koşullarda üçüncü taraf tekrar testleri yapılana kadar bu ayrımı korumak gerekir. 2