ZDTaichu5.0-9B 是 TaichuAI 推出的開源多模態基礎模型。它不只辨識「畫面裡有什麼」，而是鎖定更棘手的問題：換了觀看角度後，物件相對位置是否仍能判對？多張照片或長影片中的線索如何串起來？系統又能否據此規劃下一步動作？官方將它定位於一般視覺理解、空間推理、智慧體工具使用，以及具身智慧研究。 2

模型架構與可處理的輸入

ZDTaichu5.0-9B 使用約 90 億參數的 Qwen3.5-9B 作為語言解碼器，搭配 C-RADIOv4-H 視覺編碼器。它可接受文字、單張或多張圖像，以及影片輸入；官方宣稱支援任意解析度的視覺輸入，文字上下文長度最高可達 128K tokens。 2

這樣的設計使其用途不僅限於看圖描述。模型卡列出的目標能力還包括文件、圖表、示意圖與 OCR（光學字元辨識）、視覺問答及視覺數學等任務。 2

真正主打的是「空間關係」

對一般視覺語言模型來說，辨識物件常比理解物件之間的三維關係容易；一旦鏡頭角度改變、參照座標換了，答案就可能出錯。TaichuAI 將 ZDTaichu5.0-9B 的重點放在下列能力：

• 2D 與 3D 空間推理：判讀物件關係與場景結構。
• 視角切換與心理旋轉：在參照系改變時，推斷物件的相對方位。
• 多視角關聯與跨視角比較：將不同畫面中的資訊對應起來。
• 影片與多圖理解：追蹤事件，並從較長的影片內容檢索細節。
• 具身智慧概念：涵蓋空間感知、可供性（affordance）、操作理解與高層動作規劃。 2

它也支援偏向智慧體的互動模式，例如規劃工具呼叫、參與多步驟或多輪工作流程。但這不等於模型會自行安全地執行操作：工具實際執行、輸入驗證與安全控管，仍由承載模型的應用程式負責。 2

「熵門控自適應循環推理」是什麼？

ZDTaichu5.0-9B 最具辨識度的技術主張，是 Entropy-Gated Adaptive Recurrent Reasoning，可譯為「熵門控自適應循環推理」。其概念並非讓每一個輸出 token 都用同樣多的額外推理計算，而是以不確定性判斷哪些位置值得在潛在空間中多做幾輪內部精煉。 2

簡單說，模型對容易判斷的步驟可直接往下生成；若某一步的預測較不確定，例如要判斷鏡頭轉向後物體是在左側還是右側，則可能獲得額外的內部修正。官方宣稱，這種做法可把較高的有效運算深度集中用在困難環節，而非讓整段輸出一律增加成本。 2

官方公布的評測成績

以下數字來自 TaichuAI 的模型資料，屬於發布方自行報告的結果：

評測類別	基準測試	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
智慧體／指令遵循	TAU2-Bench	87.70
智慧體／指令遵循	Claw-Eval	71.40
智慧體／指令遵循	IFEval	93.70

2

TaichuAI 將該模型定位為：在其納入比較的約 100 億參數級通用視覺語言模型中，具有領先的空間與具身推理能力，同時保有廣泛的視覺理解表現。 2

不過，這不應被解讀為跨所有模型與所有情境的定論。比較結果會受到廠商選用的模型版本、提示詞、前處理、解碼設定與測試流程影響；在第三方依透明條件重現前，這些數字較適合視為有參考價值、但仍待驗證的官方證據。 2

取得方式、授權與部署

ZDTaichu5.0-9B 已透過 TaichuAI 的 Hugging Face 儲存庫發布。官方資料將它標示為採用自訂程式碼的模型，並連結循環推理與部署相關資源。 2

發布資料所述的授權安排為：模型材料採 NVIDIA Open Model License，而 Qwen3.5 元件附有 Apache-2.0 聲明。若團隊計畫重新散布或商業使用，仍應直接查閱儲存庫當前的授權檔與通知內容。 2

在服務部署方面，TaichuAI 文件提供自訂 vLLM 0.26.0 與 Docker 路徑，並為空間定位類工作負載及一般任務列出不同的取樣預設。 2

重點整理

若研究或產品需求不只是辨認影像內容，而是要處理跨視角、多畫面、影片脈絡與空間關係，ZDTaichu5.0-9B 是一個值得關注的開源選項。任意解析度視覺輸入、128K 上下文，以及將額外運算導向高不確定步驟的設計，讓它特別適合用於空間型視覺語言模型、具身智慧與由主機應用程式控管的智慧體工作流程。 2

其公布的空間評測表現相當亮眼，但在實際導入前，仍應以自身資料、提示詞與部署設定進行測試，並將官方分數與獨立可重現的評估結果區分看待。 2

ZDTaichu5.0-9B 是 TaichuAI 推出的開源多模態基礎模型。它不只辨識「畫面裡有什麼」，而是鎖定更棘手的問題：換了觀看角度後，物件相對位置是否仍能判對？多張照片或長影片中的線索如何串起來？系統又能否據此規劃下一步動作？官方將它定位於一般視覺理解、空間推理、智慧體工具使用，以及具身智慧研究。 2

模型架構與可處理的輸入

ZDTaichu5.0-9B 使用約 90 億參數的 Qwen3.5-9B 作為語言解碼器，搭配 C-RADIOv4-H 視覺編碼器。它可接受文字、單張或多張圖像，以及影片輸入；官方宣稱支援任意解析度的視覺輸入，文字上下文長度最高可達 128K tokens。 2

這樣的設計使其用途不僅限於看圖描述。模型卡列出的目標能力還包括文件、圖表、示意圖與 OCR（光學字元辨識）、視覺問答及視覺數學等任務。 2

真正主打的是「空間關係」

對一般視覺語言模型來說，辨識物件常比理解物件之間的三維關係容易；一旦鏡頭角度改變、參照座標換了，答案就可能出錯。TaichuAI 將 ZDTaichu5.0-9B 的重點放在下列能力：

• 2D 與 3D 空間推理：判讀物件關係與場景結構。
• 視角切換與心理旋轉：在參照系改變時，推斷物件的相對方位。
• 多視角關聯與跨視角比較：將不同畫面中的資訊對應起來。
• 影片與多圖理解：追蹤事件，並從較長的影片內容檢索細節。
• 具身智慧概念：涵蓋空間感知、可供性（affordance）、操作理解與高層動作規劃。 2

它也支援偏向智慧體的互動模式，例如規劃工具呼叫、參與多步驟或多輪工作流程。但這不等於模型會自行安全地執行操作：工具實際執行、輸入驗證與安全控管，仍由承載模型的應用程式負責。 2

「熵門控自適應循環推理」是什麼？

ZDTaichu5.0-9B 最具辨識度的技術主張，是 Entropy-Gated Adaptive Recurrent Reasoning，可譯為「熵門控自適應循環推理」。其概念並非讓每一個輸出 token 都用同樣多的額外推理計算，而是以不確定性判斷哪些位置值得在潛在空間中多做幾輪內部精煉。 2

簡單說，模型對容易判斷的步驟可直接往下生成；若某一步的預測較不確定，例如要判斷鏡頭轉向後物體是在左側還是右側，則可能獲得額外的內部修正。官方宣稱，這種做法可把較高的有效運算深度集中用在困難環節，而非讓整段輸出一律增加成本。 2

官方公布的評測成績

以下數字來自 TaichuAI 的模型資料，屬於發布方自行報告的結果：

評測類別	基準測試	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
智慧體／指令遵循	TAU2-Bench	87.70
智慧體／指令遵循	Claw-Eval	71.40
智慧體／指令遵循	IFEval	93.70

2

TaichuAI 將該模型定位為：在其納入比較的約 100 億參數級通用視覺語言模型中，具有領先的空間與具身推理能力，同時保有廣泛的視覺理解表現。 2

不過，這不應被解讀為跨所有模型與所有情境的定論。比較結果會受到廠商選用的模型版本、提示詞、前處理、解碼設定與測試流程影響；在第三方依透明條件重現前，這些數字較適合視為有參考價值、但仍待驗證的官方證據。 2

取得方式、授權與部署

ZDTaichu5.0-9B 已透過 TaichuAI 的 Hugging Face 儲存庫發布。官方資料將它標示為採用自訂程式碼的模型，並連結循環推理與部署相關資源。 2

發布資料所述的授權安排為：模型材料採 NVIDIA Open Model License，而 Qwen3.5 元件附有 Apache-2.0 聲明。若團隊計畫重新散布或商業使用，仍應直接查閱儲存庫當前的授權檔與通知內容。 2

在服務部署方面，TaichuAI 文件提供自訂 vLLM 0.26.0 與 Docker 路徑，並為空間定位類工作負載及一般任務列出不同的取樣預設。 2

重點整理

若研究或產品需求不只是辨認影像內容，而是要處理跨視角、多畫面、影片脈絡與空間關係，ZDTaichu5.0-9B 是一個值得關注的開源選項。任意解析度視覺輸入、128K 上下文，以及將額外運算導向高不確定步驟的設計，讓它特別適合用於空間型視覺語言模型、具身智慧與由主機應用程式控管的智慧體工作流程。 2

其公布的空間評測表現相當亮眼，但在實際導入前，仍應以自身資料、提示詞與部署設定進行測試，並將官方分數與獨立可重現的評估結果區分看待。 2