中科院开源紫东太初5.0-9B:空间理解八项第一,机器人规划可落地

流云 2026-10-20 1350 0条评论
摘要: 9月15日,中科院自动化所紫东太初团队开源ZDTaichu5.0-9B,一款面向物理世界的通用多模态大模型。约9B参数,Qwen3.5-9B骨干加C-RADIOv4-H视觉侧,支持...

9月15日,中科院自动化所紫东太初团队开源ZDTaichu5.0-9B,一款面向物理世界的通用多模态大模型。约9B参数,Qwen3.5-9B骨干加C-RADIOv4-H视觉侧,支持单图、多图、长视频及任意分辨率输入。它的定位不是把通用多模态榜单再刷一遍,而是把“看懂空间”拆成可执行的判断链。

空间推理:四层链条输出行动决策

官方路径是“识别物体位置—推演三维空间关系—判断操作条件—输出行动决策”。它要回答的不是图里有什么,而是这个空位能不能放、转身后门在哪一侧,输出直接可交给机器人使用。九项空间理解基准拿下八项同组第一:MindCube-tiny 78.27、ViewSpatial 62.50、ERQA 48.00。对比同组Qwen3.5-9B的57.60、48.20、41.50,差距集中在多视角与心智旋转。在AI工具导航的具身智能分类中,这种“空间判断直接转行动步骤”的能力,与纯图文问答模型形成了明确区隔。

自适应循环推理:按题目难度分配算力

熵门控机制在潜空间判断token的不确定性:简单任务按常规前向直接出结果,复杂空间推理在内部多跑几轮循环并校验,另设多重保障避免无限循环。代价是难题耗时上升,简单题不额外消耗算力。这种设计思路在AI办公软件推荐的选型逻辑中值得参考——不是所有任务都需要最高推理强度,按难度分配算力才是成本可控的关键。

通用能力:没有靠牺牲图文识别换空间分

同类模型常见问题是强化三维判断后OCR与数学能力下滑。ZDTaichu5.0-9B的OCRBench 85.50、MMStar 76.80、AIME 2026 89.20,仍在同规模开源模型第一梯队;短板也明确,MathVerse Mini Vision Only 76.40低于Qwen3.5-9B的84.14,OCRBench落后3.7分。准确说法是空间补强、通用持平。

Agent工具调用与数据管线公开

TAU2-Bench 87.70、Claw-Eval 71.40、IFEval 93.70,支持多步骤多轮工具使用。实际意义是把“把A区三号零件送到二号机台”拆成若干次可校验的调用,中途还能按返回结果改计划。多数开源只放权重,这次同步给出空间多模态数据生产方案:素材清洗、样本筛选、三维标注与一致性校验,以及预训练、SFT、高质量退火和GRPO环节。落地侧已有科研与制造两类验证,模型只做高层规划,运动控制留给下位系统。

对比:空间规划与文档识别各有侧重

STEP3-VL-10B在MindCube-tiny上62.81、ViewSpatial 46.14,低于紫东太初;gemma4-8B-E4B差距更大。OCRBench与MathVista Mini上,反过来是Qwen3.5-9B更稳。选型看任务落在空间规划还是文档识别——做人形机器人、机械臂与自动化产线的高层规划团队,ZDTaichu5.0-9B的空间基准优势最直接;只做通用图文问答,云端接口更省事。

获取与许可

权重按NVIDIA Open Model License Agreement分发,可免费下载与自托管,能否商用要看该协议条款。仓库根目录的Apache-2.0只覆盖文档与元数据,不覆盖9B权重,也不覆盖Qwen3.5、C-RADIO等上游组件,两个协议不能混读。官方提供bfloat16主版本与FP8、NVFP4、DSpark三类变体,9B权重单卡可加载。离线推理用AutoProcessor装配图像与文本消息,模型以bfloat16加载、attn_implementation设为sdpa;起服务用官方vLLM镜像。循环推理开关在仓库recurrent_reasoning目录说明里,默认不开启时最省算力,复杂空间任务才需要打开。

编辑判断

ZDTaichu5.0-9B的价值不在于参数规模,而在于它把空间理解做成了可执行的判断链,并且没有牺牲通用能力。对于机器人操作规划、工业产线上料与科研实验自动化,它提供了一个可自托管、可审计的开源起点。但权重许可与上游组件协议需要逐条核对,商用前不能只看仓库根目录的Apache-2.0。空间智能的开源生态正在从“能看懂”走向“能规划”,这款模型是这条路线上的一个明确路标。


文章版权及转载声明:

作者:流云本文地址:https://www.sanwenge.com/post/1511.html发布于 2026-10-20
文章转载或复制请以超链接形式并注明出处三文阁