Was ist ZDTaichu5.0-9B?
ZDTaichu5.0-9B ist ein offenes Vision-Language-Modell von Zidong Taichu, der Modellreihe, die das Institut für Automatisierung der Chinesischen Akademie der Wissenschaften (CASIA) gemeinsam mit dem Wuhan Institute of Artificial Intelligence entwickelt. Es wurde am 15. September 2026 als Open Source veröffentlicht. Die Modellkarte nennt die Institute nicht; die Zuordnung stammt aus der chinesischen Presse und vom Wissenschaftsamt in Wuhan, und das offizielle Docker-Image liegt in der Registry des Instituts in Wuhan. Es kombiniert Qwen3.5-9B als Sprachmodell mit NVIDIAs Bild-Encoder C-RADIOv4-H, insgesamt 9,79 Milliarden Parameter, und liest Text, einzelne oder mehrere Bilder und Video in einen Kontext von 128K Tokens.
Das Versprechen ist räumliches und verkörpertes Denken: links und rechts, Blickwinkel, 3D-Anordnungen, was ein Roboter greifen kann, dazu Tool-Nutzung über mehrere Schritte. Seine einzige Neuerung in der Architektur, Entropy-Gated Adaptive Recurrent Reasoning, lässt einen Block von Schichten bei Tokens, bei denen das Modell unsicher ist, erneut laufen und stoppt, wenn sich der verborgene Zustand beruhigt. So bekommen schwierige Tokens mehr Rechenleistung ohne eine längere ausgeschriebene Gedankenkette. Das Training umfasste etwa 1,28 Billionen Tokens in fünf Stufen und endete mit Reinforcement Learning per GRPO.
Die Gewichte gibt es in BF16, FP8, NVFP4 und GGUF, dazu ein DSpark-Draft-Modell mit 3.2B für Speculative Decoding. Der Code auf GitHub steht unter Apache 2.0, die Gewichte wegen des C-RADIO-Encoders aber unter der NVIDIA Open Model License. Die Verbreitung ist bisher gering: 2.108 Downloads des Haupt-Repos bei Hugging Face in den letzten 30 Tagen und 2.382 für das offizielle GGUF, gegenüber 3.043 Likes und 3.063 Sternen auf GitHub.
Lohnt sich ZDTaichu5.0-9B?
ZDTaichu5.0-9B lohnt nur dann einen Blick, wenn es in deinen Bildern um Raum geht und nicht um Text. In der Tabelle des Teams erreicht es 62,50 bei ViewSpatial gegenüber 48,20 für seine eigene Basis Qwen3.5-9B, 78,27 bei MindCube-tiny gegenüber 57,60 und 47,20 bei MMSI-Bench gegenüber 38,70, in allen drei vor Gemini 3 Pro. Jede dieser Zahlen ist eine eigene Angabe. Einen Eintrag bei Artificial Analysis oder OpenCompass haben wir nicht gefunden, und die räumlichen Tests mit mehreren Bildern liefen mit einem zusätzlichen Prompt, der schrittweises Denken in think-Tags verlangte.
Der Preis dieser Spezialisierung zeigt sich bei gewöhnlicher Bildarbeit. Gegen dasselbe Qwen3.5-9B verliert es bei OCRBench (85,50 zu 89,20), MMStar (76,80 zu 79,70), RealWorldQA (76,99 zu 80,30) und MathVerse (76,40 zu 84,14), und beim Wissenstest MMLU-Pro fällt es von 82,50 auf 77,20. F ür Rechnungen und Screenshots ist nach der eigenen Zählung der Entwickler das Basismodell, auf dem es aufbaut, die bessere Wahl.
Die Zahlen zu Embodiment und Agents sind besser, aber enger als die Schlagzeile. ERQA mit 48,00 und RoboSpatial mit 56,00 führen die gelisteten offenen Modelle der 10B-Klasse an, liegen aber deutlich unter den 66,00 von Gemini 3 Pro bei ERQA. TAU2-Bench mit 87,70 und Claw-Eval mit 71,40 sind die kühnsten Behauptungen der Veröffentlichung, und beide wurden lokal mit DeepSeek-V4-Flash als simuliertem Nutzer oder Richter bewertet, sind also nicht direkt mit anderswo veröffentlichten Werten vergleichbar. IFEval mit 93,70 und LiveCodeBench v6 mit 73,40 gegenüber 65,60 für Qwen deuten darauf hin, dass das Post-Training bei Textaufgaben tatsächlich geholfen hat.
Der Betrieb ist weniger einfach, als die Größe von 9B vermuten lässt. Die Gewichte laden nur mit trust_remote_code, und das Serving braucht Taichus eigenen Branch von vLLM 0.26.0 oder ein Docker-Image aus der Registry eines Instituts in Wuhan, mit CUDA 12.9 oder neuer. Die Lizenz ist das Zweite, was du lesen solltest: Kommerzielle Nutzung ist erlaubt, aber sie stammt von NVIDIA, sie erlischt, wenn du wegen Patenten klagst, NVIDIA darf sie ändern, und jede Weitergabe muss einen festgelegten Hinweis enthalten. Ein GitHub-Konto, das am 4. September 2026 angelegt wurde, zeigt inzwischen 3.063 Sterne, mehr als die 2.108 monatlichen Downloads des Haupt-Repos. Das sagt mehr über die Aufmerksamkeit zum Start als über den Einsatz in Produktion.
Wo es sich lohnt
Eine Robotikforscherin an einem Universitätslabor, die eine Vision-Language-Action-Policy baut
Mit einem kleinen Modell starten, das schon versteht, wo Dinge in einer Szene stehen
ZDTaichu5.0-9B statt eines allgemeinen 9B feinabstimmen, denn seine selbst gemeldeten Werte bei ViewSpatial, VSI-Bench (59,69) und RoboSpatial liegen über Qwen3.5-9B. Mit 9,79 Milliarden Parametern passt es für Inferenz auf eine GPU mit 24 GB; prüfe den Lizenzhinweis von NVIDIA, bevor du ein abgeleitetes Modell veröffentlichst.
Ein ML Engineer bei einem Unternehmen für Lagerautomatisierung
Fragen zur Anordnung aus festen Kameras vor Ort beantworten, etwa welches Regal hinter welchem steht
Den FP8-Build (12,67 GB Gewichte) über Taichus vLLM-Image auf einer GPU bereitstellen, mit Temperatur 0, wie die Karte es für räumliche Aufgaben empfiehlt. Prüfe es zuerst mit eigenem Videomaterial: Der räumliche Vorsprung ist eine Messung des Herstellers selbst.
Ein Teamleiter Plattform bei einem Softwareunternehmen mit 200 Mitarbeitenden
Ein günstiges lokales Agent-Modell betreiben, das interne Tools aufruft und auch Screenshots liest
Den Tool-Call-Parser qwen3_coder in vLLM aktivieren und gegen die eigene Tool-Sammlung testen, denn der Wert von 87,70 bei TAU2-Bench wurde von DeepSeek-V4-Flash bewertet. Die Lizenz erlaubt kommerzielle Nutzung ohne Umsatzgrenze, und die Hardware ist eine einzelne GPU statt Gebühren pro Token.
Bevor du dich festlegst
- Einrichtung
- pip install transformers 5.3.0, torch 2.10.0 und timm, dann mit AutoModel und trust_remote_code laden. Für einen OpenAI-kompatiblen Server das Docker-Image oder den Branch von vLLM v0.26.0 von Taichu nutzen; das braucht CUDA 12.9 oder neuer und NVIDIA-Treiber 575.51.03 oder neuer.
- Integrationen
- Downloads über Hugging Face und ModelScope; vLLM (geforkt), Transformers sowie llama.cpp oder Ollama über die GGUF-Dateien mit einer mmproj-Vision-Datei. Reasoning und Tool-Aufrufe nutzen die Parser qwen3 und qwen3_coder von vLLM; das DSpark-Draft-Modell lässt sich in das Speculative Decoding von vLLM einbinden.
- Daten und Datenschutz
- Selbst gehostet, Bilder bleiben also auf deiner Hardware. Die Gewichte stehen unter der NVIDIA Open Model License: kommerzielle Nutzung und abgeleitete Modelle erlaubt, ohne Umsatzgrenze, aber die Lizenz endet, wenn du Patent- oder Urheberrechtsansprüche wegen des Modells erhebst, NVIDIA darf sie aktualisieren, und eine Weitergabe muss die Lizenz und ihren Hinweis enthalten. Die Teile von Qwen3.5 und der Repo-Code stehen unter Apache 2.0.
- Kosten im großen Maßstab
- Die Gewichte sind kostenlos, einen gehosteten Preis gibt es nicht. Die Gewichtsdateien haben 19,59 GB in BF16, 12,67 GB in FP8 und 9,81 GB in NVFP4; das GGUF Q4_K_M hat 5,63 GB plus eine Vision-Datei Q8_0 mit 0,88 GB. NVFP4 läuft nur auf NVIDIA-Blackwell-GPUs nativ. Das DSpark-Draft-Modell mit 6,42 GB brachte in Taichus Tests auf einer H800 eine Beschleunigung um 2,46x bis 3,17x.
- Grenzen
- Kontext von 128K Tokens laut Karte. Nur 8 von 32 Sprachschichten nutzen volle Attention, der Rest lineare Attention. Das hält den Speicherbedarf bei langem Kontext niedrig, ist aber der Grund, warum das normale vLLM es nicht ausführt. Videos werden auf eine feste Zahl von Frames abgetastet (8 im Beispiel der Karte). Noch keine unabhängigen Evaluierungen.
Was gut ist
- 62,50 bei ViewSpatial und 78,27 bei MindCube-tiny, weit vor Qwen3.5-9B (eigene Angabe)
- Führt die gelisteten offenen Modelle der 10B-Klasse bei ERQA und RoboSpatial an
- Builds in BF16, FP8, NVFP4 und GGUF plus ein DSpark-Draft-Modell ab Start
- Kommerzielle Nutzung erlaubt; passt in BF16 auf eine einzelne GPU mit 24 GB
Was nicht
- Liegt bei OCRBench, MMStar und MMLU-Pro hinter seiner eigenen Basis Qwen3.5-9B
- Noch keine unabhängigen Benchmark-Ergebnisse; Agent-Werte von DeepSeek-V4-Flash bewertet
- Braucht Remote Code und einen geforkten vLLM-Build
- NVIDIA Open Model License statt Apache 2.0 für die Gewichte
Am besten für
Forschende in Robotik und Embodied AI, die ein kleines offenes Modell brauchen, das über Blickwinkel, Anordnungen und Affordances nachdenkt, und mit einem geforkten Serving-Stack leben können.
Alternativen zu ZDTaichu5.0-9B
ZDTaichu5.0-9B: häufige Fragen
- Lohnt sich ZDTaichu5.0-9B?
- Ein Spezialist im Gewand eines Generalisten: Nach den Zahlen seiner Entwickler versteht es Räume und Roboterszenen weit besser als Qwen3.5-9B und liest Text etwas schlechter. Wir bewerten es mit 3.8 von 5.
- Was kostet ZDTaichu5.0-9B?
- Kostenlose Gewichte unter der NVIDIA Open Model License, die Teile von Qwen3.5 unter Apache 2.0. Keine gehostete API und kein Preis pro Token veröffentlicht; du zahlst für deine eigene GPU.
- Welche Nachteile hat ZDTaichu5.0-9B?
- Liegt bei OCRBench, MMStar und MMLU-Pro hinter seiner eigenen Basis Qwen3.5-9B; Noch keine unabhängigen Benchmark-Ergebnisse; Agent-Werte von DeepSeek-V4-Flash bewertet; Braucht Remote Code und einen geforkten vLLM-Build; NVIDIA Open Model License statt Apache 2.0 für die Gewichte.
- Für wen eignet sich ZDTaichu5.0-9B?
- Forschende in Robotik und Embodied AI, die ein kleines offenes Modell brauchen, das über Blickwinkel, Anordnungen und Affordances nachdenkt, und mit einem geforkten Serving-Stack leben können.
- Was kostet ZDTaichu5.0-9B für ein Team oder im Produktivbetrieb?
- Die Gewichte sind kostenlos, einen gehosteten Preis gibt es nicht. Die Gewichtsdateien haben 19,59 GB in BF16, 12,67 GB in FP8 und 9,81 GB in NVFP4; das GGUF Q4_K_M hat 5,63 GB plus eine Vision-Datei Q8_0 mit 0,88 GB. NVFP4 läuft nur auf NVIDIA-Blackwell-GPUs nativ. Das DSpark-Draft-Modell mit 6,42 GB brachte in Taichus Tests auf einer H800 eine Beschleunigung um 2,46x bis 3,17x.
- Ist ZDTaichu5.0-9B sicher für Firmendaten?
- Selbst gehostet, Bilder bleiben also auf deiner Hardware. Die Gewichte stehen unter der NVIDIA Open Model License: kommerzielle Nutzung und abgeleitete Modelle erlaubt, ohne Umsatzgrenze, aber die Lizenz endet, wenn du Patent- oder Urheberrechtsansprüche wegen des Modells erhebst, NVIDIA darf sie aktualisieren, und eine Weitergabe muss die Lizenz und ihren Hinweis enthalten. Die Teile von Qwen3.5 und der Repo-Code stehen unter Apache 2.0.
- Was sind die besten Alternativen zu ZDTaichu5.0-9B?
- Die nächsten Alternativen, die wir getestet haben, sind MiniCPM-V 4.7 (35B-A3B and 1B), Gemma 4 und Phi-4-multimodal.
Antworten geprüft am 31. Okt. 2026.