ZDTaichu5.0-9B: відкрита 9B-модель TaichuAI для просторового мислення

ZDTaichu5.0-9B — відкрита мультимодальна базова модель від TaichuAI для візуального розуміння, просторового міркування, використання інструментів агентами та досліджень у сфері embodied AI — систем, що мають сприймати фізичний світ і планувати в ньому дії. Її головна особливість не зводиться до розпізнавання картинки: модель заявлено для завдань, де потрібно враховувати зміну ракурсу, взаємне розташування предметів, кілька зображень або тривале відео. 2

Архітектура: мовна модель і візуальний енкодер

Модель поєднує мовний декодер Qwen3.5-9B приблизно на 9 млрд параметрів і візуальний енкодер C-RADIOv4-H. Вона працює з текстом, одним чи кількома зображеннями та відео, підтримує візуальні вхідні дані довільної роздільності й контекстне вікно до 128 тисяч токенів. 2

Такий набір робить її придатною не лише для опису зображень. У картці моделі серед сценаріїв названі робота з документами, графіками, схемами, OCR — розпізнаванням тексту на зображеннях, візуальні запитання й завдання з візуальної математики. 2

Для яких задач її створювали

TaichuAI акцентує на просторових і втілених задачах, що часто лишаються складними для універсальних візуально-мовних моделей. Заявлені можливості охоплюють:

• двовимірне та тривимірне просторове міркування — зв’язки між об’єктами й структуру сцени;
• зміну точки зору та уявні перетворення, коли змінюється система відліку;
• зіставлення об’єктів між кількома ракурсами та порівняння зображень;
• аналіз відео й наборів зображень — зокрема відстеження подій і пошук деталей у довгому ролику;
• поняття з embodied AI: просторове сприйняття, можливі дії з предметом, розуміння маніпуляцій та високорівневе планування дій. 2

Модель також підтримує взаємодію, орієнтовану на агентів. Водночас це не означає, що вона самостійно виконує дії: вона може планувати виклики інструментів і брати участь у багатокрокових чи багатораундових процесах, але запуск, перевірка та захист інструментів залишаються відповідальністю застосунку, який її використовує. 2

Що означає Entropy-Gated Adaptive Recurrent Reasoning

Ключове технічне твердження ZDTaichu5.0-9B — механізм Entropy-Gated Adaptive Recurrent Reasoning, тобто адаптивне рекурентне міркування з керуванням за ентропією. Замість однаково додавати обчислення для кожного токена модель оцінює невизначеність і вирішує, де потрібне додаткове уточнення внутрішніх представлень. 2

Простіше кажучи, для очевидних кроків відповідь може генеруватися у звичайному режимі, а складні або невизначені передбачення отримують додаткове внутрішнє доопрацювання. Заявлена мета — збільшити ефективну обчислювальну глибину саме на важких етапах міркування, не підвищуючи однаково витрати на всю відповідь. 2

Це особливо доречно для просторових запитань: неоднозначність у визначенні положення об’єкта чи наслідків зміни ракурсу може повністю змінити правильну відповідь.

Заявлені результати тестів

TaichuAI наводить у матеріалах моделі такі результати:

Напрям оцінювання	Бенчмарк	Заявлений бал
Просторові / embodied-задачі	ViewSpatial	62,50
Просторові / embodied-задачі	MMSI-Bench	47,20
Просторові / embodied-задачі	MindCube-tiny	78,27
Просторові / embodied-задачі	ERQA	48,00
Просторові / embodied-задачі	RoboSpatial	56,00
Агенти / дотримання інструкцій	TAU2-Bench	87,70
Агенти / дотримання інструкцій	Claw-Eval	71,40
Агенти / дотримання інструкцій	IFEval	93,70

2

Проєкт позиціонує ZDTaichu5.0-9B як лідера за просторовим та embodied-міркуванням серед зіставлюваних універсальних VLM приблизно 10B-класу, зберігаючи сильніші загальні візуальні можливості. 2

Для розробників це може бути корисним сигналом під час вибору компактної відкритої моделі для просторово складних задач. Але це не універсальний рейтинг: порівняння залежать від обраних постачальником версій моделей, промптів, підготовки даних, параметрів декодування та методики оцінювання. Потрібне незалежне відтворення тестів із розкриттям цих деталей, перш ніж вважати результати остаточно підтвердженими. 2

Доступність, ліцензія та розгортання

ZDTaichu5.0-9B доступна в репозиторії TaichuAI на Hugging Face. У релізі зазначено використання власного коду та наведено посилання на матеріали про рекурентне міркування й розгортання. 2

Для опублікованих матеріалів указано NVIDIA Open Model License, а для компонентів Qwen3.5 — повідомлення про ліцензію Apache-2.0. Перед розповсюдженням або комерційним використанням команді варто безпосередньо перевірити актуальні ліцензійні файли та повідомлення в репозиторії. 2

Для сервінгу TaichuAI документує власні шляхи запуску через vLLM 0.26.0 і Docker, зокрема різні налаштування семплінгу для задач просторового заземлення та загальних завдань. 2

Висновок

ZDTaichu5.0-9B — відкрита мультимодальна модель приблизно 9B-класу з виразною спеціалізацією: вона має не тільки розпізнавати візуальний вміст, а й міркувати про сцени, ракурси, взаємне положення предметів і відеопослідовності. Контекст до 128 тисяч токенів, підтримка зображень довільної роздільності та адаптивне рекурентне міркування роблять її помітним варіантом для дослідників і розробників, які працюють із просторовими VLM, embodied AI та агентними сценаріями під контролем застосунку. 2

Опубліковані результати виглядають перспективно, передусім у просторових бенчмарках, однак їх слід сприймати як дані, заявлені розробником, а не як незалежно встановлений факт — доки сторонні команди не відтворять тести у прозорих умовах. 2