刚刚，中国队9B「全能王」开源登场！横扫8项全球通用第一

  新智元报道  

10B参数以内，空间具身能力同档第一的通用多模态大模型来了！

就在昨天，紫东太初正式开源ZDTaichu5.0-9B，新一代面向物理世界的通用多模态大模型。

一出手，就横扫九大国际权威空间基准，拿下8项同参数通用组别全球第一。

最拉开差距的，是复杂空间推演。

MindCube-tiny上，它拿到78.27分，甩开Qwen3.5-9B整整20.67个百分点，比STEP3-VL-10B也高出15.46个百分点。

而且，它把空间能力拉上来的同时，图文、OCR、数学、代码这些通用能力，也没落下。

到了真实任务里，这两头还真缺一不可。工单得读懂，工位也得看明白。

读懂「把东西放过去」只是开始。AI还得继续判断：换个位置该往哪走，伸手之前哪里能放，做完一步之后接下来怎么办。

这个9B模型，要补上的就是AI走进物理世界时，最容易掉链子的那一段。

这颗「大脑」有多难造？奥特曼的一番话，点中了关键。

9月初，一场播客中，他直接把话挑明，「OpenAI肯定会做人形机器人」！

在他看来，比机身形态更重要的，是搞定让机器人真正干活的那个「大脑」。

这句话，恰恰点中了具身智能最难啃的部分。

一副机械臂可以反复执行写好的动作。可工位换了，零件挪了，任务做到一半被打断了，接下来怎么办？

总不能每变一次，就让工程师重新教一遍。

这就把问题推到了空间理解上，指令听懂了，还得判断眼前的东西在哪、怎么摆、能不能操作。

认出画面里有个杯子，只回答了「是什么」；判断杯柄朝哪、旁边能不能放东西，才开始接近「能做什么」。

任务一旦拉长，这些判断还得接上。

东西拿起来了，身份得记住；容器打开了，状态要更新。前面一个判断没跟上，后面就可能越做越偏。

ZDTaichu5.0-9B这颗大脑，到底能不能应对这些变化？

接下来，直接看三道对比题。

以下三道题的难度是递进的，正好对应机器人从「看见」到「动手」要过的三关。

第一题：换个位置，柜子还找得着吗？

给到的要求是，移动到绿框窗帘的位置，面向蓝框沙发，判断红框柜子相对自己的方位。

窗帘、沙发、柜子，全在画面里。难点在于，题目要求换一个地方站，再转一个方向看。

原图里的「左」，未必还是新位置上的「左」。

看起来像一道找方向的小题，实际要求模型连续处理两次变化：先改变站位，再改变朝向。

人会在脑子里转一下房间。模型也得完成同样的参照系转换：先把自己「搬」到窗帘前，再把视线对准沙发，最后重新推算柜子落在新坐标系的哪个方向。三步里任何一步串了，答案就反了。

这背后是参照系变换（frame of reference transformation） 问题。

模型必须同时维护三套坐标：世界坐标系、本体坐标系、相机坐标系，并在视角切换时完成三者之间的映射。

多数模型的做法是把每帧图像独立编码成视觉Token，再靠语言先验「猜」方位——一旦相机位姿变了，视觉Token 之间的空间拓扑关系没有显式建模，关系就断了。

ZDTaichu5.0‑9B给出正确答案「右前方」。Qwen3.5‑9B和STEP3‑VL‑10B都发生了参照系错乱，给出「右、上、后方」这类错误答案。

它考的，恰恰是移动机器人绕不开的能力。摄像头一转，物体在画面里的坐标就变了。

绝大多数多模态模型在这一刻会丢掉空间拓扑：刚才还记得柜子在沙发左边，机器人挪两步，关系就散了。如果每换一个视角就把空间关系认错，后面规划得再漂亮，也可能走反方向。

第二题：方位算清了，目标能选对吗？

指令很短：找到「从左到右第二个银色盒子」。

短，不代表简单。

模型要同时干三件事：认出哪些是银色的（属性），把它们按从左到右排好（顺序），还要能真正给出目标的位置。

三件事缺一件，抓错的就是隔壁那个盒子。

技术上，这是一道属性绑定+空间排序+位置输出的复合题。

模型需要把「银色」这个视觉属性、「第二个」这个序数关系、「从左到右」这个空间方向，绑定到同一个目标实例上，并精准输出目标物体的位置坐标。

序数关系尤其棘手：它依赖对整排物体的完整枚举和相对位置排序，而不是孤立地识别某一个盒子。

ZDTaichu5.0‑9B输出归一化坐标 [237,226]，精准命中数据集真值。

Qwen3.5‑9B给的是 [360,280]，STEP3‑VL‑10B 给的是 [327,220]，都指错了盒子。同级通用开源模型里，只有它选对了目标。

放到车间里，这道题有个更熟悉的名字：密集货架上一排外观几乎一样的料盒，工单说「取第三排第二个」。机器人抓取的第一步不是伸手，而是选对目标。

目标选错，后面的抓取再精准也是白忙。

第三题：目标找到了，旁边真能放东西吗？

前两题解决了方位和目标，这次要进一步判断操作条件：找出杯柄那一侧的空闲区域，给出一个能放东西的点。

这道题的门槛在于，模型不能只回答「杯子在哪」，还得回答「杯子怎么摆的」「它旁边哪块是空的」。

拆开看是三步：先识别目标杯子，再解析它的姿态、确定杯柄朝向，最后校验邻近区域有没有被别的物体占着，才能输出一个可用点位。

这本质上是可供性推理（affordance reasoning） 加空间约束校验。

模型要输出的是一个连续空间中的合法点位，而不是一个类别标签。

这意味着它必须理解物体的三维姿态（杯柄朝哪边）、理解「空闲」的物理含义（没有被其他物体占据）、并把这两者合成为一个可执行的坐标。

很多模型能识别杯子，却给不出「杯柄侧旁边那块空地」的坐标，因为它缺的是从语义识别到空间决策的最后一跳。

ZDTaichu5.0‑9B给出坐标 [650,720]，完全落在合理空闲区域。Qwen3.5‑9B和STEP3‑VL‑10B给出的坐标，全部落进了不合要求的区域。

换句话说，机器人真按它们的答案放下去，东西会压在别的物体上。

识别是「知道有什么」，交互是「知道能做什么」。 前者只是看图，后者才是动手前的最后一道判断。市面上不少模型在前一层表现不错，到这一层就开始给出不可执行的答案。

三道题，正好是一条递进的链：空间感知、复杂三维推理、具身条件判断，最后落到物理交互决策。

不过，空间判断做对了，还不足以接下完整任务。

机器人要知道往哪里放，也得先读懂工单、理解规则，必要时调用工具。

这就带来另一个问题——

把模型往空间和具身方向训练，原本擅长的图文理解、OCR、数学和代码能力，还能不能保住？

如果连工单都读不明白，方位算得再准，也不知道该干什么。再配一个通用模型？两个模型怎么分工、怎么传信息，又是一摊要解决的事。

所以，ZDTaichu5.0-9B要的很明确：空间能力练上去，通用本事也得留住。

先看读图、算题、认字这些基本功：AI2D拿到91.48分，WeMath为75.9分，MathVista Mini为84.5分，OCRBench为85.5分。

看懂示意图、读出工单文字、算清图里的数量关系，都得靠这些基本功。

在多项空间能力基准测试上，ZDTaichu5.0-9B胜过了多模态模型Gemini 3 Pro，比如ViewSpatial、MindCube-tiny、VSI-Bench成绩领先7%以上。

同时在文本智能体与代码能力上，IFEval（93.7）、AIME2026（89.2）以及LiveCodeBench v6（73.4）表现完备，真正实现了「通用能力不衰减，空间具身能力越级突破」。

空间能力往上冲，通用能力也守住了第一梯队。

开发者看重的正是这一点：同一个模型，既能读懂任务，也能看懂现场。

那么，这两类能力是怎么一起练出来的？

一头在训练，一头在推理。平时学没学扎实，临场能不能想明白，两件事都得解决。

ZDTaichu5.0-9B做了两件相互配合的事：训练时把空间关系和任务约束教扎实，碰上难题时，再给模型多一点计算的余地。

这次推理的核心设计，叫「自适应循环推理」。

直白地说，模型一边生成，一边判断：下一步拿得准吗，要不要再算几轮？

这一片段，细到每一个Token。

模型先完成一轮标准计算，得到下一个Token的概率分布和当前的隐层状态，再由「熵门控机制」判断预测的不确定性。

概率分布越分散，就意味着它越拿不准。

此时，门控机制会决定是否触发额外计算，让模型在当前Token位置循环执行部分层块计算，逐轮修正内部表征，再继续输出。

确定性高的位置，则直接输出，不追加循环。

也就是说，算力具体加在那里，要看生成过程中哪个位置拿不准。

这个循环发生在模型前向传播内部，无需为循环调用外部工具。

这波操作，很难不让人想到传闻中GPT-6 Astra，内部也采用了「循环Transformer」的机制，让其推理能力大涨。

如今，紫东太初直接把这套机制装入了9B模型。

从这个角度看，恰恰体现了团队极高的技术前瞻性，踩中的架构直接对齐前沿巨头。

哪个Token拿不准，就在那里多花点算力。目标是让复杂空间判断更准，平均推理成本又不至于涨太多。

不过，多想也可能越想越偏，团队为此还加入三道稳定机制。

首先是「阻尼更新」：控制每轮修正幅度，并以原始表征为参照，避免内部特征一路漂移。允许调整，但不能改着改着，把原来的视觉证据丢了。

接着是双重停止判据，同时监测输出分布和隐状态的变化，对应KL散度与隐状态残差，帮助判断迭代是否趋于稳定。

还有轨迹读出与状态回滚，保留中间状态，从多轮结果中选择风险较低的表征，必要时回退。

最后一轮并不天然比前几轮更好。多算几轮，要算出有用的修正，也要知道何时停、何时退。

这三道机制，就是给内部循环装上约束。至于具体耗时和成本，以及每项机制贡献多大，还要看完整测试。

还要分清，模型内部循环解决的是当前这一步的推理。抽屉打开了没有、东西是否真的放进去，得靠新的画面和执行反馈确认。

脑子里多转几圈，不能代替抬头再看一眼。内部循环和外部任务循环各司其职，才能支撑更长的连续操作。

不过，再会琢磨的模型，也得先学过靠谱的东西。

ZDTaichu5.0-9B的整个训练过程采用「渐进式数据课程」，像上学一样一级一级往上教。

预训练阶段，先打基础。

这里，先接触开源图文、结构化网页、多视角视频及三维仿真场景，学习视觉、语言、时序和空间概念之间的联系。

原始数据不会直接倒进去。感知哈希和URL双重去重，减少重复内容；画质、图文相关性及隐私安全过滤，拦下问题样本。随后进行重描述、视频抽帧与样本打包。

这些工序不抢眼，却决定了模型学到什么。关键细节糊了，说明还配错，再好的学生也经不起这么教。

监督微调阶段，训练数据开始像「真正的工作」。

喂的东西换成了大规模任务轨迹，真实业务问答、空间具身案例、Agent完整的工具调用记录。

具身样本尤其需要检查图像、对象关系与操作约束是否一致。抽屉明明关着，答案却教模型直接往里放，这种样本必须拦下来。

长推理也不能只看篇幅。团队通过拒绝采样、格式检查和一致性校验筛掉问题内容，再组织多轮对话、多图与视频序列等训练输入。

后续以「能力域—难度—质量」三维标签查漏补缺，根据反馈定位短板，筛选更有信息量的样本。

高质量退火阶段使用长推理样本，GRPO强化学习则引入可自动校验的奖励：答案正确性、空间框选坐标命中、输出格式合规，都能成为反馈。

比如，让模型选一块可放置区域，解释写得再漂亮，点落在障碍物上，也过不了关。

反馈要能指向操作所需的判断，模型才有机会把这些能力练得更扎实。

更关键的是，这整套数据生产与训练方案是随权重一起开放的。

本事讲了，原理也拆了。真搬到实验台和车间里，能不能干成活？

真实物理世界的长程任务，是一串相互依赖的链式操作：

认出目标、处理遮挡、挪到合适的观测位置、打开容器、调用工具、搬运物体，最后校验有没有完成。

每一步都依赖上一步的结果，模型得一直记着整件事进行到哪了，而不是每来一张图就独立生成一个动作。

ZDTaichu5.0-9B做了两类实体Demo验证，分工很清楚——

先看科研，它打通了仿真计算和湿实验。

给它一个自然语言的科学问题，比如一个阻尼振子怎么运动，它自己调Python和SciPy，同时算解析解和数值解，两边交叉核对，再画出相空间图、位移和速度的时序曲线，一份分析报告就出来了。

整个科学分析的工作流，走了个完整。

到了实验台上，让它按顺序把两支试管放进架子，规矩是先放画面右边那支，再放左边那支。

中途抓取、交接会让试管在画面里的位置不停变，它得一直记住哪支是哪支。看到「一支在架子里、一支还在桌上」，它知道任务没完，输出下一步：把桌上那支拿进去。

多样品操作里最容易出的两个错，认错样品和搞乱顺序，就是靠这份「身份记忆」压住的。

滴管转移液体也一样，滴管、源烧杯、目标烧杯三者的空间关系绑在一起，滴管悬在目标烧杯上方时，它知道该继续滴。样品身份、空间位置、任务进度三样东西绑着跟踪，这正是自动化实验平台缺的那层上层编排。

再来看制造，更接地气。

测试中，选的是备料配送、机台上下料检测、工位整理三类最常见的业务，面对的也是工业现场最真实的麻烦：

货架密集、零件长得一样、东西被挡住、目标跑出视野、操作有严格的前置条件。

工单一句话：「把红架上的篮筐放到传送带上。」它要从密集货架里认出红色料架、白色篮筐，判断抓哪、双臂怎么配合，放到绿色传送带上之后还要回头检查有没有放对位置。

机台上料也是同一套逻辑，长工件怎么避障、夹哪里、放到工作台哪个点，全靠它做判断。

长程任务真正难的，是每一步判断要连得上。

刀从架子上拿出来了，它还得记得这是同一把刀；抽屉没开，就不能算满足放置条件；刀悬在盒子口上方，不等于已经放进去了。

目标被挡住，先判断要不要挪开遮挡物；容器没开，先满足开合前提；还没站到能交互的位置，直接放置大概率失败。

从三道空间题，到实验台和生产线，这些案例把前面的能力接了起来：通用能力读懂要求，空间能力判断现场，再靠持续反馈推进下一步。

这些任务已经在真机上跑了起来。接下来换设备、换工位，还得一关关接着过。

回头看，奥特曼所说的机器人「大脑」，难就难在这里——

ZDTaichu5.0-9B这次，把几块关键能力装进了同一颗9B的「大脑」。

空间榜单上冲到同档前列，通用本事没落下，实验台和车间里的连续任务也开始跑起来了。

权重和数据生产、训练过程方案一起交到开发者手里，这件事就还能继续往下做。换成自己的数据、自己的设备，继续练、继续试，让模型一点点熟悉自己的现场。

ZDTaichu5.0-9B开源地址：

Blog：https://taichu-ai.github.io/ZDTaichu5.0-9B

Huggingface：https://huggingface.co/TaichuAI/ZDTaichu5.0-9B

Modelscope：https://www.modelscope.cn/models/TaichuAI/ZDTaichu5.0-9B

Github：GitHub - Taichu-AI/ZDTaichu5.0-9B

下一步，紫东太初团队要把这颗「大脑」继续往前推，打造面向物理世界的具身基础模型。

看懂眼前的场景之后，还要能预判：这一步做下去，环境会怎么变？再把判断接上连续动作，根据执行反馈调整下一步。

这意味着，要把多模态推理、世界状态预测和连续动作生成连起来，形成「感知—认知—预测—行动—反馈」的自主闭环。

让AI从理解数字世界，进一步走向理解、预测并改变物理世界。

编辑：桃子 大卫