ZDTaichu5.0-9B 是紫东太初（TaichuAI）开源的一款多模态基础模型。与主要解决“图里有什么”的通用视觉问答模型相比，它更强调一个更难的问题：**物体在什么位置、换个视角后关系是否仍成立，以及如何据此规划动作。**官方将其定位于通用视觉理解、空间推理、智能体工具使用和具身智能研究。 2

架构：语言解码器加视觉编码器

该模型由约 90 亿参数的 Qwen3.5-9B 语言解码器，以及 C-RADIOv4-H 视觉编码器组成。它可接收文本、单张或多张图片及视频；发布资料称其支持任意分辨率视觉输入，最长上下文窗口为 128K token。 2

这意味着它的适用范围不止于图片描述。模型卡列出的任务还包括文档、图表和示意图理解、OCR（光学字符识别）、视觉问答及视觉数学，同时覆盖更广泛的场景分析。 2

它着重解决哪些视觉难题？

紫东太初特别强调空间与具身任务，尤其是许多通用视觉语言模型容易出错的场景。官方列出的能力包括：

• 二维与三维空间推理：理解物体关系和场景结构；
• 视角变化与心理旋转：参照系改变后，仍能判断相对方位；
• 多视角关联与跨视角比较；
• 视频和多图理解：包括事件追踪，以及从较长视频中检索细节；
• 具身智能相关理解：如空间感知、可供性、操作理解和高层行动规划。 2

模型也支持面向智能体的交互，例如规划工具调用、参与多步骤或多轮工作流。但这不等于模型能自行执行操作：工具的实际执行、结果校验与安全控制，仍由接入它的宿主应用负责。 2

“熵门控自适应循环推理”是什么？

ZDTaichu5.0-9B 的核心技术主张是 熵门控自适应循环推理（Entropy-Gated Adaptive Recurrent Reasoning）。其思路不是让每一个 token 都使用同样额外的推理算力，而是依据预测的不确定性，判断哪些位置更需要在隐空间中进行额外细化。 2

可以把它理解为：面对较直接、把握较高的生成步骤，模型照常推进；遇到难以确定的预测，则进行更多内部细化。官方希望以这种方式，让复杂推理步骤获得更大的有效计算深度，而不必让整段输出都承担同等额外开销。 2

这对空间问题尤其相关。例如镜头视角改变后，物体相对位置的一处误判，就可能让最终结论完全相反。

官方公布的基准成绩

以下分数来自紫东太初的模型资料：

评测类别	基准	公布分数
空间／具身	ViewSpatial	62.50
空间／具身	MMSI-Bench	47.20
空间／具身	MindCube-tiny	78.27
空间／具身	ERQA	48.00
空间／具身	RoboSpatial	56.00
智能体／指令遵循	TAU2-Bench	87.70
智能体／指令遵循	Claw-Eval	71.40
智能体／指令遵循	IFEval	93.70

2

项目方将其定位为：在其选取作比较的约 100 亿参数级通用视觉语言模型中，空间和具身推理能力处于领先位置，同时保留较强的通用视觉能力。 2

不过，这不应被理解为适用于所有条件的统一排名。上述比较取决于发布方选用的模型版本、提示词、预处理、解码参数和评测设置。只有在这些细节公开的前提下，经由第三方独立复现，才能更稳妥地判断其相对表现。 2

获取、许可证与部署

ZDTaichu5.0-9B 已通过紫东太初的 Hugging Face 仓库发布。资料显示，该模型依赖自定义代码，并链接了循环推理与部署相关的项目材料。 2

发布方说明，模型材料采用 NVIDIA Open Model License，Qwen3.5 相关组件附有 Apache-2.0 通知。计划二次分发或用于商业部署的团队，应直接核对仓库当前的许可证文件及相关声明。 2

在推理服务方面，紫东太初提供了定制版 vLLM 0.26.0 与 Docker 部署路径，并为强调空间定位的任务和通用任务给出不同的采样预设。 2

结论：适合关注“看懂空间”而非只做识图的开发者

ZDTaichu5.0-9B 是一款规模约 90 亿参数的开源多模态模型，特色并非仅是识别视觉内容，而是尝试在图像、视角、场景与视频之间建立可推演的空间关系。其 128K 上下文、任意分辨率视觉输入和自适应循环推理机制，使其成为探索空间视觉语言模型、具身智能以及由宿主应用管理的智能体工作流时值得关注的选择。 2

官方公布的空间基准成绩具备参考价值，但在独立团队以透明条件完成复现前，更合适的定位仍是“发布方报告的积极证据”，而非已经被独立验证的最终结论。 2

ZDTaichu5.0-9B 是紫东太初（TaichuAI）开源的一款多模态基础模型。与主要解决“图里有什么”的通用视觉问答模型相比，它更强调一个更难的问题：**物体在什么位置、换个视角后关系是否仍成立，以及如何据此规划动作。**官方将其定位于通用视觉理解、空间推理、智能体工具使用和具身智能研究。 2

架构：语言解码器加视觉编码器

该模型由约 90 亿参数的 Qwen3.5-9B 语言解码器，以及 C-RADIOv4-H 视觉编码器组成。它可接收文本、单张或多张图片及视频；发布资料称其支持任意分辨率视觉输入，最长上下文窗口为 128K token。 2

这意味着它的适用范围不止于图片描述。模型卡列出的任务还包括文档、图表和示意图理解、OCR（光学字符识别）、视觉问答及视觉数学，同时覆盖更广泛的场景分析。 2

它着重解决哪些视觉难题？

紫东太初特别强调空间与具身任务，尤其是许多通用视觉语言模型容易出错的场景。官方列出的能力包括：

• 二维与三维空间推理：理解物体关系和场景结构；
• 视角变化与心理旋转：参照系改变后，仍能判断相对方位；
• 多视角关联与跨视角比较；
• 视频和多图理解：包括事件追踪，以及从较长视频中检索细节；
• 具身智能相关理解：如空间感知、可供性、操作理解和高层行动规划。 2

模型也支持面向智能体的交互，例如规划工具调用、参与多步骤或多轮工作流。但这不等于模型能自行执行操作：工具的实际执行、结果校验与安全控制，仍由接入它的宿主应用负责。 2

“熵门控自适应循环推理”是什么？

ZDTaichu5.0-9B 的核心技术主张是 熵门控自适应循环推理（Entropy-Gated Adaptive Recurrent Reasoning）。其思路不是让每一个 token 都使用同样额外的推理算力，而是依据预测的不确定性，判断哪些位置更需要在隐空间中进行额外细化。 2

可以把它理解为：面对较直接、把握较高的生成步骤，模型照常推进；遇到难以确定的预测，则进行更多内部细化。官方希望以这种方式，让复杂推理步骤获得更大的有效计算深度，而不必让整段输出都承担同等额外开销。 2

这对空间问题尤其相关。例如镜头视角改变后，物体相对位置的一处误判，就可能让最终结论完全相反。

官方公布的基准成绩

以下分数来自紫东太初的模型资料：

评测类别	基准	公布分数
空间／具身	ViewSpatial	62.50
空间／具身	MMSI-Bench	47.20
空间／具身	MindCube-tiny	78.27
空间／具身	ERQA	48.00
空间／具身	RoboSpatial	56.00
智能体／指令遵循	TAU2-Bench	87.70
智能体／指令遵循	Claw-Eval	71.40
智能体／指令遵循	IFEval	93.70

2

项目方将其定位为：在其选取作比较的约 100 亿参数级通用视觉语言模型中，空间和具身推理能力处于领先位置，同时保留较强的通用视觉能力。 2

不过，这不应被理解为适用于所有条件的统一排名。上述比较取决于发布方选用的模型版本、提示词、预处理、解码参数和评测设置。只有在这些细节公开的前提下，经由第三方独立复现，才能更稳妥地判断其相对表现。 2

获取、许可证与部署

ZDTaichu5.0-9B 已通过紫东太初的 Hugging Face 仓库发布。资料显示，该模型依赖自定义代码，并链接了循环推理与部署相关的项目材料。 2

发布方说明，模型材料采用 NVIDIA Open Model License，Qwen3.5 相关组件附有 Apache-2.0 通知。计划二次分发或用于商业部署的团队，应直接核对仓库当前的许可证文件及相关声明。 2

在推理服务方面，紫东太初提供了定制版 vLLM 0.26.0 与 Docker 部署路径，并为强调空间定位的任务和通用任务给出不同的采样预设。 2

结论：适合关注“看懂空间”而非只做识图的开发者

ZDTaichu5.0-9B 是一款规模约 90 亿参数的开源多模态模型，特色并非仅是识别视觉内容，而是尝试在图像、视角、场景与视频之间建立可推演的空间关系。其 128K 上下文、任意分辨率视觉输入和自适应循环推理机制，使其成为探索空间视觉语言模型、具身智能以及由宿主应用管理的智能体工作流时值得关注的选择。 2

官方公布的空间基准成绩具备参考价值，但在独立团队以透明条件完成复现前，更合适的定位仍是“发布方报告的积极证据”，而非已经被独立验证的最终结论。 2