ZDTaichu5.0-9B：以空間推理為重點的開放視覺語言模型

對具身 AI 研究者來說，ZDTaichu5.0-9B 的用途是提供一個可下載的視覺語言模型，用來測試系統如何解讀場景、判斷物體間的空間關係，以及將判斷納入工具使用流程。不過，能回答場景問題，不代表能在同一場景中安全操控機器人。220

它能接收什麼資訊？

模型以 Qwen3.5-9B 作為語言解碼器，搭配 C-RADIOv4-H 視覺編碼器。TaichuAI 列出的輸入包括文字、單張或多張影像，以及影片；視覺輸入標示支援任意解析度，上下文長度則為最高 128K token。這讓研究者可以設計結合多個視角的實驗，但規格本身不保證模型在每種解析度或上下文長度下都有相同表現。2

TaichuAI 將其推理方法稱為「熵門控自適應循環推理」：對較難處理的 token，模型可在內部增加表徵修正步驟，而非對每個 token 一律投入相同運算。這項設計與追蹤視角變化、判斷物體相對位置等研究問題有關；它仍不是一套已驗證的端到端機器人控制系統。202

成績值得看，但要看清楚來源

在 TaichuAI 與相近規模通用視覺語言模型的比較中，ZDTaichu5.0-9B 的報告分數包括 ViewSpatial 62.50、MindCube-tiny 78.27、MMSI-Bench 47.20、ERQA 48.00，以及 RoboSpatial 56.00。發布方稱其空間能力在所比較的模型中居於前列；這些是發布方提供的評測結果，並非本文獨立重現的成績。研究者仍需以自己的影像、代理系統及實體環境檢驗效果。120

下載與部署前，先核對兩件事

TaichuAI 在 Hugging Face 發布主模型及 FP8、NVFP4 版本，並提供供 vLLM 推論使用的 DSpark 推測式解碼草稿模型。部署文件列有模型專用的 vLLM Docker 映像檔與修改版分支，比直接假設一般安裝方式具有相同支援更適合作為起點。245317

首先，確認上游模型、各組件及轉換權重的授權條款：一份第三方 GGUF 轉換標為 Apache-2.0，另一份模型資料則描述不同的授權安排；不能只憑轉換版本的標籤判定原始模型條款。86 其次，官方 vLLM 指令雖設有 --max-model-len 220000，模型規格寫的卻是最高 128K token。伺服器設定值不等於已驗證的 220,000 token 有效上下文。172