紫东太初开源9B多模态模型空间评测领先

紫东太初开源通用多模态大模型ZDTaichu5.0-9B，重点强化物理世界中的空间理解与具身任务能力。官方披露，在九项国际空间理解基准测试中，该模型在10B以下通用模型组取得八项第一，同时没有以牺牲通用能力为代价。

多模态模型要从“看懂图片”走向“理解真实场景”，难点在于目标识别、空间关系、视角转换和行动条件判断必须同时成立。ZDTaichu5.0-9B试图把图文理解、任务规划和空间推理合并到同一9B规模模型中。

演示中，模型控制夹爪完成美工刀收纳：拉开抽屉、放入刀具并关闭抽屉。该过程需要持续判断刀柄位置、抽屉状态和夹爪对齐情况，并根据每一步带来的环境变化调整后续动作。

在通用能力上，模型仍覆盖图文理解、文字识别、数学推理、代码和Agent任务。官方称，其基础能力保持在第一梯队，并能在科研Agent示例中完成阻尼振子解析、Python/SciPy数值计算、结果对照、图表生成和报告输出。

空间测试示例包括目标定位、参照系转换和交互条件判断。比如“从左至右找到第二个银色盒子”，模型需要同时识别颜色、物体类别和排列关系，给出的归一化坐标为（237,226），落在目标区域内。

在三视角空间推理题中，模型需把同一房间不同画面中的窗帘、沙发和柜子对应起来，假设自身移动到绿框窗帘处并面向蓝框沙发后，判断红框柜子的相对方位，最终回答为右前方。

另一类任务要求在最右侧杯子的杯柄方向寻找空闲区域，模型不仅要识别杯子，还要判断杯柄朝向与周围占用情况，输出位置落入正确区域。

完整榜单覆盖空间感知、三维推理、多视角变换和具身交互等维度。在MindCube-tiny一项中，ZDTaichu5.0-9B得分78.27，Gemma4 8B-E4B、Gemini 3 Pro和Grok 4分别为48.8462、70.87和63.56。

通用基准中，ZDTaichu5.0-9B在AI2D图解理解上得91.48，仅次于Gemini 3 Pro；WeMath为75.9，MathVista Mini为84.5，OCRBench为85.5。其训练方案包含预训练、监督微调、高质量退火与GRPO强化学习三阶段数据管线；推理侧引入自适应循环推理，通过熵门控为高不确定Token增加内部计算，并用阻尼更新、双重停止判据、轨迹读出与状态回滚控制稳定性。外部任务循环则持续接收新观测和执行反馈，将单步判断连接成长程操作。