一般視覺語言模型識得「睇到」一張相，未必代表佢識得處理鏡頭換位後嘅方向、物件之間嘅相對位置，或者由多張圖及長影片拼湊事件脈絡。TaichuAI 最新開源嘅 ZDTaichu5.0-9B，正正將重點放喺呢類空間推理問題：多視角理解、3D 場景關係、影片追蹤，以及具身 AI 研究。 2

模型組合：語言解碼器加視覺編碼器

ZDTaichu5.0-9B 由約 90 億參數嘅 Qwen3.5-9B 語言解碼器，配合 C-RADIOv4-H 視覺編碼器組成。佢可以接收文字、單張或多張圖片及影片，支援任意解像度視覺輸入，上下文視窗最長為 128K tokens。 2

所以佢唔止係用嚟寫圖片描述。官方列出嘅應用包括文件、圖表、示意圖理解、OCR 光學文字辨識、視覺問答同視覺數學，亦包括較完整嘅場景解讀。 2

強項係「位置關係」而唔止辨認物件

TaichuAI 特別強調以下空間及具身任務能力：

• 2D 及 3D 空間推理：理解物件關係同場景結構
• 視角改變與心像轉換：參照系轉咗，仍可推斷方位及關係
• 多視角關聯與跨視角比較
• 影片及多圖理解：包括事件追蹤，以及由較長片段搵返細節
• 具身 AI 概念：空間感知、可供性（affordance）、操作理解同高層行動規劃 2

模型亦支援面向 agent 嘅互動，例如規劃工具呼叫、參與多步或多輪工作流程。不過，呢點唔等於佢可以自行執行操作：真正執行工具、驗證輸出同保安控制，仍然要由承載模型嘅應用程式負責。 2

「熵門控自適應循環推理」係乜？

ZDTaichu5.0-9B 最主要嘅技術主張叫做 Entropy-Gated Adaptive Recurrent Reasoning，可譯作「熵門控自適應循環推理」。概念係模型會根據預測嘅不確定程度，判斷邊啲 token 值得加入額外嘅潛在空間（latent space）內部修正，而唔係由頭到尾每個 token 都用同樣加碼運算。 2

簡單講，較直接、把握較高嘅步驟可以照常輸出；遇到較含糊或者較難判斷嘅位置，模型就可以做更多內部精煉。官方聲稱，咁做可將較深嘅有效運算集中投放喺難題上，又唔使令整段回應所有位置都一齊增加計算成本。 2

對空間題目而言，呢個取向有其實際意義：鏡頭轉向後左右關係係咪改變、兩件物件到底邊件喺前，往往一個判斷失準，就足以令最終答案完全錯晒。

官方公布嘅 benchmark 成績

以下係 TaichuAI 在模型資料中公布嘅結果：

評測範疇	Benchmark	官方公布分數
空間／具身	ViewSpatial	62.50
空間／具身	MMSI-Bench	47.20
空間／具身	MindCube-tiny	78.27
空間／具身	ERQA	48.00
空間／具身	RoboSpatial	56.00
Agent／指令跟隨	TAU2-Bench	87.70
Agent／指令跟隨	Claw-Eval	71.40
Agent／指令跟隨	IFEval	93.70

2

項目將自己定位為：在其比較名單之中，空間及具身推理能力領先約 10B 級通用視覺語言模型，同時保留不錯嘅通用視覺能力。 2

不過，呢個結論要審慎解讀。以上成績係廠商自行報告，對比結果會受所揀選嘅模型版本、提示詞、前處理、解碼設定及評測流程影響。要當成已被確立嘅橫向性能結論，仍有賴第三方公開完整設定後重現測試。 2

取得方式、授權同部署

ZDTaichu5.0-9B 已於 TaichuAI 嘅 Hugging Face 儲存庫發布。發行資料標示佢係需要自訂程式碼嘅模型，並連結循環推理及部署相關項目材料。 2

官方列出嘅授權安排，模型發布材料採用 NVIDIA Open Model License，而 Qwen3.5 相關組件附有 Apache-2.0 聲明。有意再發布或商業使用嘅團隊，應直接查閱儲存庫最新嘅授權檔案及通知。 2

部署方面，TaichuAI 提供自訂 vLLM 0.26.0 及 Docker 路徑，並為空間定位類工作負載同一般任務提供不同採樣預設。 2

總結：細一級模型，瞄準更難嘅「睇圖推理」

ZDTaichu5.0-9B 唔係單純追求辨認圖片內容，而係針對圖片、視角、場景同影片之間嘅推理而設。任意解像度視覺輸入、128K 上下文，以及按不確定性追加內部推理嘅設計，令佢成為研究空間 VLM、具身 AI 同由主機應用管理工具流程嘅開發者一個值得留意嘅開源選項。 2

官方跑分表現有吸引力，尤其係空間 benchmark；但現階段最合適嘅定位，仍然係「值得實測嘅官方證據」，而唔係已由獨立研究確認嘅定論。 2

一般視覺語言模型識得「睇到」一張相，未必代表佢識得處理鏡頭換位後嘅方向、物件之間嘅相對位置，或者由多張圖及長影片拼湊事件脈絡。TaichuAI 最新開源嘅 ZDTaichu5.0-9B，正正將重點放喺呢類空間推理問題：多視角理解、3D 場景關係、影片追蹤，以及具身 AI 研究。 2

模型組合：語言解碼器加視覺編碼器

ZDTaichu5.0-9B 由約 90 億參數嘅 Qwen3.5-9B 語言解碼器，配合 C-RADIOv4-H 視覺編碼器組成。佢可以接收文字、單張或多張圖片及影片，支援任意解像度視覺輸入，上下文視窗最長為 128K tokens。 2

所以佢唔止係用嚟寫圖片描述。官方列出嘅應用包括文件、圖表、示意圖理解、OCR 光學文字辨識、視覺問答同視覺數學，亦包括較完整嘅場景解讀。 2

強項係「位置關係」而唔止辨認物件

TaichuAI 特別強調以下空間及具身任務能力：

• 2D 及 3D 空間推理：理解物件關係同場景結構
• 視角改變與心像轉換：參照系轉咗，仍可推斷方位及關係
• 多視角關聯與跨視角比較
• 影片及多圖理解：包括事件追蹤，以及由較長片段搵返細節
• 具身 AI 概念：空間感知、可供性（affordance）、操作理解同高層行動規劃 2

模型亦支援面向 agent 嘅互動，例如規劃工具呼叫、參與多步或多輪工作流程。不過，呢點唔等於佢可以自行執行操作：真正執行工具、驗證輸出同保安控制，仍然要由承載模型嘅應用程式負責。 2

「熵門控自適應循環推理」係乜？

ZDTaichu5.0-9B 最主要嘅技術主張叫做 Entropy-Gated Adaptive Recurrent Reasoning，可譯作「熵門控自適應循環推理」。概念係模型會根據預測嘅不確定程度，判斷邊啲 token 值得加入額外嘅潛在空間（latent space）內部修正，而唔係由頭到尾每個 token 都用同樣加碼運算。 2

簡單講，較直接、把握較高嘅步驟可以照常輸出；遇到較含糊或者較難判斷嘅位置，模型就可以做更多內部精煉。官方聲稱，咁做可將較深嘅有效運算集中投放喺難題上，又唔使令整段回應所有位置都一齊增加計算成本。 2

對空間題目而言，呢個取向有其實際意義：鏡頭轉向後左右關係係咪改變、兩件物件到底邊件喺前，往往一個判斷失準，就足以令最終答案完全錯晒。

官方公布嘅 benchmark 成績

以下係 TaichuAI 在模型資料中公布嘅結果：

評測範疇	Benchmark	官方公布分數
空間／具身	ViewSpatial	62.50
空間／具身	MMSI-Bench	47.20
空間／具身	MindCube-tiny	78.27
空間／具身	ERQA	48.00
空間／具身	RoboSpatial	56.00
Agent／指令跟隨	TAU2-Bench	87.70
Agent／指令跟隨	Claw-Eval	71.40
Agent／指令跟隨	IFEval	93.70

2

項目將自己定位為：在其比較名單之中，空間及具身推理能力領先約 10B 級通用視覺語言模型，同時保留不錯嘅通用視覺能力。 2

不過，呢個結論要審慎解讀。以上成績係廠商自行報告，對比結果會受所揀選嘅模型版本、提示詞、前處理、解碼設定及評測流程影響。要當成已被確立嘅橫向性能結論，仍有賴第三方公開完整設定後重現測試。 2

取得方式、授權同部署

ZDTaichu5.0-9B 已於 TaichuAI 嘅 Hugging Face 儲存庫發布。發行資料標示佢係需要自訂程式碼嘅模型，並連結循環推理及部署相關項目材料。 2

官方列出嘅授權安排，模型發布材料採用 NVIDIA Open Model License，而 Qwen3.5 相關組件附有 Apache-2.0 聲明。有意再發布或商業使用嘅團隊，應直接查閱儲存庫最新嘅授權檔案及通知。 2

部署方面，TaichuAI 提供自訂 vLLM 0.26.0 及 Docker 路徑，並為空間定位類工作負載同一般任務提供不同採樣預設。 2

總結：細一級模型，瞄準更難嘅「睇圖推理」

ZDTaichu5.0-9B 唔係單純追求辨認圖片內容，而係針對圖片、視角、場景同影片之間嘅推理而設。任意解像度視覺輸入、128K 上下文，以及按不確定性追加內部推理嘅設計，令佢成為研究空間 VLM、具身 AI 同由主機應用管理工具流程嘅開發者一個值得留意嘅開源選項。 2

官方跑分表現有吸引力，尤其係空間 benchmark；但現階段最合適嘅定位，仍然係「值得實測嘅官方證據」，而唔係已由獨立研究確認嘅定論。 2