九大空间测试10B规模通用模型中8项第一
来了！这一次， 国产多模态 在物理世界也夯起来了——
九大国际权威空间理解基准测试中， 八项断档第一 ，通用能力还能不打折。
紫东太初最新开源的通用多模态大模型 ZDTaichu5.0-9B ，直接把10B以下通用模型空间具身的天花板又往上顶了一大截。
这里可能就有朋友要问了，让多模态看懂真实世界，为啥值得单拎出来说？
一个字： 难！
过去的多模态模型，已经能把一张图片理解得头头是道，但一旦走进真实物理世界，空间理解与行动能力往往就跟不上；而一些模型为了补足空间能力，又不得不以牺牲通用能力为代价。
能同时跑通这两件事的模型寥寥无几，效果还突出的更是凤毛麟角。
紫东太初就是其中之一，ZDTaichu5.0-9B堪称 全能 。
眼见为实，咱们直接上效果。
视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg
这是一段由 ZDTaichu5.0-9B 控制的美工刀具身收纳演示。
如果让人来做，应当是个非常简单的过程： 拉开抽屉→放进去→再关闭 。但具身不一样，一连串的动作背后都是相当细致的空间判断。
刀柄在哪里？抽屉状态如何？夹爪有没有对准？
每一步都要承接住上一步带来的变化，动作才能看起来顺，这对模型能力的考验是极为苛刻的，而ZDTaichu5.0-9B已经能完成 复杂的空间理解和高层任务规划 。
与此同时，对于这个只有9B大小的模型，其图文理解、文字识别、数学推理和代码能力也依旧稳居 第一梯队 。
通用能力不降级，空间具身能力向上突破。
很好奇，究竟是如何做到的？
空间具身+多模态双领先
在回答这个问题之前，咱们不妨再多看几个效果感受感受。
先来几道空间具身题目尝个鲜。
从视频目标定位到三视角推理，空间判断稳准狠
第一道题 「找东西」 ：从左至右，找到第二个银色盒子。
这个 空间感知任务 对于机器人来说，是后续执行任务的大前提。指错了，后面的抓取动作再准确，执行的也是另一个任务。
视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg
△实测由紫东太初完成
画面中，台面挤满杯子、收纳容器和各种杂物，干扰项较多。模型得同时读懂银色这个关键属性、盒子这个对象，以及从左到右第二个这层空间排列关系。
从对比演示中看，ZDTaichu5.0-9B给出的 归一化坐标 （237,226）最为精准，落在目标标注区域内。
接下来难度升级，不仅要找得对，也要看得准。
这是道考验复杂空间推理的 「看位置」 题。
视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg
△实测由紫东太初完成
输入的是同一房间的三个视角。模型需要设想自己移动到绿框窗帘所在的位置，面向蓝框沙发，再判断红框柜子相对自己的方位。
其中模型得把不同画面中的对象一一对应起来，再根据新的观察位置和朝向转换参照系。
ZDTaichu5.0-9B给出了右前方， 预测完全正确 。
再往前一步，空间判断还得回答哪里具备操作条件，给予机器人接下来的操作以方便。
比如这道 「找空位」 ，要求在最右侧杯子的杯柄方向上，找一块空闲区域。
认出杯子只是开始，随后还要确定杯柄朝向，检查旁边是否被其他物体占用。
视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg
△实测由紫东太初完成
结果也不出所料，ZDTaichu5.0-9B依旧稳稳 落入正确区域 。
当我们把三个例子放在一起看，它们分别对应目标选择、参照系转换和交互条件判断，都在机器人执行真实物理任务中扮演关键要素。
换言之，这些基础能力都决定着 具身能否从一句任务指令到真正可执行 。
再来看 完整成绩单 ，模型优势就更加清晰了。
在所列的10B档位开闭源模型中，ZDTaichu5.0-9B几乎是 断层领先 。
比如差距较大的MindCube-tiny，ZDTaichu5.0-9B的得分是78.27分，Gemma4 8B-E4B、Gemini 3 Pro和Grok 4分别是48.8462、70.87和63.56。
整个榜单把 空间感知、三维推理、多视角变换、具身交互 都囊括在内了，可谓是面面俱到，足见ZDTaichu5.0-9B已彻底看懂物理场景该怎么操作。
双线突破，通用能力不降级
考完空间能力之后，另一个重要问题随之而来： 通用能力 还hold得住吗？
这里同样有份基础能力的成绩单。
图解理解基准AI2D达到 91.48分 ，仅次于Gemini 3 Pro，高于其它所有对照模型。
WeMath为75.9分，同样领先；MathVista Mini为84.5分、OCRBench为85.5分，表现颇具竞争力。
除此之外，ZDTaichu5.0-9B在 Agent与文本任务 上也依旧表现突出，尤其是代码成绩。
这些能力具体怎么组合起来用， 科研Agent 的阻尼振子求解demo给出了直观展示。
该问题要求Agent组织解析求解与Python/SciPy数值计算，并对照两种结果，最后生成相空间图、位移与速度曲线，以及分析报告。
ZDTaichu5.0-9B在整个过程中也丝毫没有掉链子，在问题理解、代码执行、结果核对和图表输出四个阶段子任务上都完美实现连续衔接，最后输出非常完整。
视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg
事实上，这对于同一个9B模型是相当不容易的。
要同时兼顾 空间具身能力与通用能力 两条线，背后要解决的有很多，例如数据如何组织，以及复杂判断时算力怎么分配。
9B多模态大模型的空间具身能力，是怎样练成的？
ZDTaichu5.0-9B给出的解法贯穿 训练 和 推理 两部分。
全栈数据生产管线：把通用能力、Agent能力以及空间具身能力全部练进模型
紫东太初先是围绕这一需求，组织了一套 经过全流程验证 、 可复用 、 可迁移 的数据工程链路。
整体包括三个渐进式成长阶段：
Step 1：预训练数据管线。
这一步数据覆盖开源图文、网页结构化文档、公开视频多视角素材和仿真渲染三维场景。
原始素材进入管线后，先通过 感知哈希 与 URL 去重，再过滤低清晰度、图文不相关等较差的样本，随后进行内容重写解析和视频抽帧描述，最终打包组织成可训练的图文与时序输入。
最终建立的是视觉、语言、时序和空间概念之间的对齐联系。
Step 2：监督微调数据管线。
随后训练开始覆盖完整任务。
开源SFT指令、真实业务问答、空间具身案例，以及Agent工具调用轨迹，都被组织成多轮对话、多图和视频序列。
其中针对 具身样本 ，管线还会检查图像、问题、对象关系和操作约束是否一致。还是以开头的美工刀收纳举例，如果图中抽屉关着，模型就不能直接要求夹爪往里放东西。
带步骤的思维链 也要经过拒绝采样、格式和一致性校验。这样进入训练的，才是有视觉依据、能解释操作顺序的任务样本。
Step 3：高质量退火+GRPO强化学习数据管线。
最后一步继续针对短板优化。
团队为数据建立 能力域-难度-质量标签三维自动标签系统 ，为模型筛选高信息量样本。
值得注意的是，评测数据不会直接作为训练样本，标签也只是用于提供能力分类与样本筛选的参照。
GRPO 则把答案是否正确、空间坐标是否命中、输出格式是否合规，都通通转化成可自动校验的奖励信号，让模型沿着具体反馈继续改进。
于是在层层递进之后，物体识别、空间关系和任务约束都开始逐步连接起来。
未来即使是企业自己的车间录像、实验操作记录和仿真素材，也都可以通过这条路径转化成训练样本。
内置自适应循环推理：把算力用在真正难的判断上
但训练数据只是打好了地基，再往上， 每次推理的难度也会随着任务变化 。
比如有些画面中目标清楚、关系简单；有些任务则要整合多个视角，还要判断遮挡和操作前提。
显然，后者更需要 额外计算 来修正判断。
ZDTaichu5.0-9B为此引入了 内置自适应循环推理 ，让模型根据预测的不确定性，决定当前Token是否需要再算几轮。
具体来说，模型先完成一次标准前向计算，得到Token预测分布和隐层状态。 熵门控 随后评估预测的不确定程度，分布越分散，意味着模型对输出的把握越小。
确定性较高时，模型直接输出；遇到 高不确定性节点 ，就在内部重复执行部分层块计算，迭代调整隐层表征，为当前判断 增加计算深度 。
由于这段额外计算发生在模型前向传播内部，也无需为此调用外部工具。
当然，到底算几轮也要有约束，总不能无限制发散下去。
ZDTaichu5.0-9B配套了 三重稳定化工程设计 ，以致于模型能够让算力合理倾斜：
← 返回最新