紫东太初开源9B多模态模型ZDTaichu5.0，空间具身能力同档领先
9B模型拿下8项空间理解第一
紫东太初最近开源的通用多模态大模型 ZDTaichu5.0-9B，参数规模只有90亿，但在空间具身智能这条赛道上跑出了意外成绩。
在9项国际权威的空间理解基准测试中，它拿下了8项同参数通用组别的第一名。这些测试涵盖空间感知、跨视角三维推理、具身任务规划等核心能力。对比对象包括 Qwen3.5-9B、STEP3-VL-10B 等主流开源模型，即使把 Gemini 3 Pro、Grok 4 等闭源大模型也拉进来比，ZDTaichu5.0-9B 仍在其中5项上得分最高。
更关键的是，它没为了专精空间任务而牺牲通用能力。在图文理解、OCR、视觉数学、代码生成以及 Agent 能力等常规多模态评测中，它依然稳居第一梯队。比如在11项涉及 Agent、代码、指令遵循和数学推理的测试里，它的表现全面优于同量级开源模型，在 TAU2-Bench 和 IFEval 上甚至略超 Gemini 3 Pro。
这种“既专又通”的平衡，在当前多模态模型普遍面临能力取舍的背景下显得尤为难得。
物理世界任务卡在哪里？
过去几年，多模态大模型在数字世界的能力突飞猛进——看图问答、跨模态检索、复杂文档解析，这些任务的评测分数已经接近天花板。但一旦进入物理世界，问题就复杂得多。
想象一个机器人站在操作台前：它得先看清目标工件在哪（空间感知），换了个角度后还能认出它并判断相对位置（跨视角三维推理），再给出一个不违反物理约束的操作方案（具身推理）。这三个环节必须同时在线，缺一不可。而在现有的多模态评测体系里，很少有任务会同时考察这三层能力。
更大的挑战来自数据和算力分配。
空间具身所需的三维关系标注、操作约束数据，和通用图文数据在分布上差异很大。混在一起训练时，小模型很容易顾此失彼——要么通用能力被拉垮，要么空间推理浮于表面。
此外，空间推理任务本身难度不均：有的判断一步就能得出，有的（比如参照系变换、多物体相对关系推演）需要更深的迭代计算。但传统模型的算力分配是线性的，不管题目难易，消耗的计算资源基本一致。这对参数有限的小模型来说，是个真实瓶颈。
ZDTaichu5.0-9B 的解法很直接：用一套完整的数据生产管线解决数据侧的问题，用自适应循环推理机制解决复杂推理和算力分配的问题。
能力链条上的结构性领先
ZDTaichu5.0-9B 的空间能力提升，首先体现在复杂定位任务上。
比如给一张图，要求“找到从左到右第二个银色盒子”，模型不仅要识别属性（银色）、排序（第二个），还要输出精确的归一化坐标。实测中，ZDTaichu5.0-9B 准确命中真值，而 Qwen3.5-9B 和 STEP3-VL-10B 全部定位错误，成了唯一完成正确目标选择的模型。
第二层是参照系转换。真实环境中，机器人移动后摄像头视角变化，原本的空间关系也会变。模型需要理解这种变化来自观察角度改变，而非物体移动。
典型任务是：先移动到绿框窗帘位置、面向蓝框沙发，再判断红框柜子相对自身的方位。ZDTaichu5.0-9B 给出了正确答案，而其他模型在此类任务上普遍失效。
在 MindCube-tiny 榜单上，它得分78.27，远超 Qwen 的57.6和 STEP3 的62.8。这个差距之所以重要，是因为 MindCube 本质上在测模型是否真正建立了三维空间表征，而不是靠语义匹配蒙对。
ERQA 和 RoboSpatial 则聚焦具身交互理解——不仅要知道物体在哪，还得判断“能不能操作”以及“怎么操作”。比如放置任务要求找到杯柄侧的空闲位置，ZDTaichu5.0-9B 输出的坐标落在合理区域，而其他模型的输出全部不符合操作约束，说明它们根本没完成空间推理，只是在猜位置。
把这些能力串起来，就是一条完整链条：静态感知 → 动态定位 → 跨视角转换 → 三维推演 → 具身条件判断 → 交互决策。每一环都比上一环难一个数量级，缺任何一环，机器人在真实场景就会卡住。ZDTaichu5.0-9B 在这条链上8/9项同参数第一，且通用能力不降级，属于结构性领先。
自适应循环推理：把算力花在刀刃上
ZDTaichu5.0-9B 最核心的技术分岔点，是它的推理机制。
当前处理复杂推理的主流方案有两种：一是思维链（CoT），让模型多生成几步推理文本；二是外部工具调用，遇到难题就调用计算器或代码解释器。
但这两者在物理世界任务中都有局限。CoT 更适合符号推理（如数学、代码），而机器人面对的是持续变化的三维环境，很多判断依赖视觉状态，无法拆解成线性语言步骤。工具调用则会增加系统延迟，在实时交互中不够敏捷。
ZDTaichu5.0-9B 采用的“自适应循环推理”机制，让模型自己判断题目难易。完成一次标准前向计算后，它通过熵门控评估预测的不确定性：如果结果确定，直接输出；如果遇到高不确定性节点（如空间变换、操作校验），就在内部循环执行层块计算，迭代优化隐层表征。
整个过程发生在模型前向传播内部，不依赖外部工具，也不生成额外的思维链文本。这和行业猜测的 GPT-6 Astra 所用的 Loop Transformer 思路类似——都是把复杂推理放入潜空间，让模型根据任务难度自主决定“思考深度”。
为防止循环越算越偏，团队加了三重稳定设计：
- 阻尼更新：约束每轮特征修正幅度，避免表征偏离原始判断；
- 双重停止判据：同时监测 KL 散度和隐状态残差；
- 轨迹读出与状态回滚：保留多轮迭代的中间状态，最终挑选风险最低的一版输出。
这套机制在不明显拉高平均推理成本的前提下，大幅提升了复杂空间任务和长流程任务的正确率，相当于把有限算力精准投向真正需要的问题。
开源权重，更开源“怎么做”
比模型权重更珍贵的，是背后的数据工程方法论。
目前大多数开源模型只发布权重，不公开数据处理管线。但对于想在工业现场落地具身智能的机构来说，光有权重不够——他们需要知道如何用自己的机器人轨迹、实验数据继续训练模型。
ZDTaichu5.0-9B 同步开放了一整套经过验证的数据生产管线方案，覆盖三个核心环节：
预训练阶段，团队将开源图文、网页文档、公开视频、多视角素材和仿真数据统一纳入数据池，经过去重、清晰度过滤、图文相关性筛选、图像重描述、视频抽帧等处理，构建多模态基础样本。
监督微调阶段，样本不再是简单问答对，而是大规模任务轨迹数据，包含真实业务问答、空间具身案例和工具调用轨迹。团队对指令质量打分、校验答案正确性、分层配比难度，并强制校验图像、问题、对象关系、操作约束之间的一致性。还通过多轮对话、多图拼接、视频序列打包等方式，合成带步骤的思维链数据，再经多轮过滤剔除脏样本。
高质量退火 + GRPO 强化学习阶段，团队建立了能力域、难度、质量三维自动标签系统，定向筛选高信息量样本。强化学习采用 GRPO 框架，设置答案正确性奖励、空间框选坐标命中奖励、输出格式合规奖励等可自动校验的信号，把空间点位输出和结构化规划变成可反馈的训练目标。
这套方案的意义在于，它把“如何将工业数据转化为模型能力”这件事，从少数团队的内部经验变成了行业可复用的公开方法论。
从跑分到真实场景验证
具身智能行业有个魔咒：演示好看，落地难产。过去两年，各种机器人抓取、人形行走的视频层出不穷，但真正进入工厂稳定运行的案例寥寥无几。
紫东太初已在科研自动化和智能制造场景对 ZDTaichu5.0-9B 进行了闭环验证。
在科研自动化方向，用户只需输入一个问题，模型就能自主调用工具，完成解析解与数值解求解、结果校验，并生成可视化报告。在试管按序入架的湿实验中，即使试管被抓取移动后位置变化，模型仍能追踪身份、判断状态，并规划下一步操作。
在智能制造方向，它围绕备料配送、机台上下料等典型业务完成实体验证。比如面对一句自然语言工单“把A零件送到3号工位”，模型能理解目标与目的地，完成识别、抓取位置判断和高层任务规划，再由机器人执行双臂协同搬运与放置，跑通从工单理解到实体操作的完整链路。
为什么是9B？为什么能落地？
ZDTaichu5.0-9B 的成功，离不开几个关键判断。
首先是参数档位的选择。真正的终端设备——工业机器人、移动操作平台、实验室自动化系统——对推理延迟和硬件成本极其敏感。70B以上的大模型即使能力再强，也难以在边缘侧实时响应。9B 是当前算力约束下能力与部署的合理折中：能跑在消费级 GPU 上，延迟可控，私有化部署成本低。
其次是通用能力不衰减。工业场景中，机器人要处理的任务远不止空间操作：工单是文字，手册是PDF，异常报告是表格，人机对话需要自然语言理解。如果为了空间能力牺牲 OCR 或指令遵循，系统在非空间环节就会频繁出错。ZDTaichu5.0-9B 证明，空间具身能力可以是对通用能力的增强，而非替代。
第三是数据管线的开放。国内具身智能产业的一大痛点是：各家都在积累操作数据，但缺乏将其转化为模型能力的系统方法。ZDTaichu5.0-9B 提供的工业级验证方案，让企业能在此基础上接入自有数据，快速迭代垂直场景能力。
最后，科研自动化可能成为重要落地入口。相比开放环境，实验室场景流程明确、数据丰富、自动化需求迫切。从滴管液体转移、仪器操作到数据分析，本身就是复杂的具身任务链。ZDTaichu5.0-9B 在此方向的探索，为大模型进入物理世界提供了一条可行路径。
不只是模型，更是生态起点
ZDTaichu5.0-9B 的开源，验证了几件更根本的事：
第一，空间具身能力和通用多模态能力并非零和博弈，在10B以下档位，二者可以兼得；
第二，模型能否真正落地，取决于是否形成从数据工程、推理机制到实体验证的完整闭环，而非单点突破；
第三，把数据生产管线作为开源资产，比单纯开放高分权重更能降低行业研发门槛。
当然，仿真评测和真实物理世界仍有差距，团队也明确表示后续会重点优化仿真到现实的迁移能力。但至少这一次，国内大模型在物理具身智能这条路上，已经从“能不能做”的验证阶段，走到了“好不好用、能不能开放复用”的落地阶段。对机器人、科研自动化、智能制造这些等待大模型基座的产业来说，这是一个值得关注的信号。