¿Qué es ZDTaichu5.0-9B?
ZDTaichu5.0-9B es un modelo abierto de visión y lenguaje de Zidong Taichu, la línea de modelos que desarrolla el Instituto de Automatización de la Academia China de Ciencias (CASIA) junto con el Instituto de Inteligencia Artificial de Wuhan. Se publicó como código abierto el 15 de septiembre de 2026. La ficha del modelo no nombra a los institutos; la atribución procede de la prensa china y de la oficina de ciencia de Wuhan, y la imagen Docker oficial está en el registro del instituto de Wuhan. Combina Qwen3.5-9B como modelo de lenguaje con el codificador de imágenes C-RADIOv4-H de NVIDIA, 9,79 mil millones de parámetros en total, y lee texto, una o varias imágenes y vídeo en un contexto de 128K tokens.
Su propuesta es el razonamiento espacial y corporeizado: izquierda y derecha, puntos de vista, distribuciones en 3D, qué puede agarrar un robot, además del uso de herramientas en varios pasos. Su única novedad de arquitectura, Entropy-Gated Adaptive Recurrent Reasoning, vuelve a pasar un bloque de capas sobre los tokens en los que el modelo duda y se detiene cuando el estado oculto se estabiliza, de modo que los tokens difíciles reciben más cómputo sin una cadena de razonamiento escrita más larga. El entrenamiento llegó a unos 1,28 billones de tokens en cinco etapas y terminó con aprendizaje por refuerzo GRPO.
Los pesos se ofrecen en BF16, FP8, NVFP4 y GGUF, con un modelo borrador DSpark de 3.2B para decodificación especulativa. El código en GitHub es Apache 2.0, pero los pesos están bajo la NVIDIA Open Model License por el codificador C-RADIO. La adopción es pequeña por ahora: 2.108 descargas en Hugging Face del repositorio principal en los últimos 30 días y 2.382 del GGUF oficial, frente a 3.043 me gusta y 3.063 estrellas en GitHub.
¿Merece la pena ZDTaichu5.0-9B?
ZDTaichu5.0-9B solo merece atención si tus imágenes tratan del espacio y no del texto. En la tabla del propio equipo obtiene 62,50 en ViewSpatial frente a 48,20 de su propia base, Qwen3.5-9B, 78,27 en MindCube-tiny frente a 57,60 y 47,20 en MMSI-Bench frente a 38,70, por delante de Gemini 3 Pro en las tres. Todas estas cifras son declaradas por el fabricante. No encontramos ninguna entrada en Artificial Analysis ni en OpenCompass, y las pruebas espaciales con varias imágenes se hicieron con una instrucción añadida que pedía razonar paso a paso dentro de etiquetas think.
El precio de esa especialización se ve en el trabajo de visión corriente. Frente al mismo Qwen3.5-9B pierde en OCRBench (85,50 a 89,20), MMStar (76,80 a 79,70), RealWorldQA (76,99 a 80,30) y MathVerse (76,40 a 84,14), y en conocimiento con MMLU-Pro baja de 82,50 a 77,20. Para facturas y capturas de pantalla, el modelo base del que parte es mejor opción según las propias cuentas de sus creadores.
Las cifras corporeizadas y de agentes son mejores, pero más estrechas que el titular. ERQA con 48,00 y RoboSpatial con 56,00 encabezan los modelos abiertos de clase 10B de la lista, pero quedan muy por debajo de los 66,00 de Gemini 3 Pro en ERQA. TAU2-Bench con 87,70 y Claw-Eval con 71,40 son las afirmaciones más atrevidas del lanzamiento, y ambas se puntuaron en local con DeepSeek-V4-Flash como usuario simulado o juez, así que no son directamente comparables con cifras publicadas en otros sitios. IFEval con 93,70 y LiveCodeBench v6 con 73,40 frente a los 65,60 de Qwen sugieren que el post-entrenamiento sí ayudó en tareas de texto.
Ponerlo en marcha es menos sencillo de lo que sugiere su tamaño de 9B. Los pesos solo cargan con trust_remote_code, y servirlo exige la rama propia de Taichu de vLLM 0.26.0 o una imagen Docker alojada en un registro de un instituto de Wuhan, con CUDA 12.9 o posterior. La licencia es lo segundo que hay que leer: permite el uso comercial, pero es de NVIDIA, se revoca si demandas por patentes, NVIDIA puede cambiarla y toda redistribución debe llevar un aviso fijo. Una cuenta de GitHub creada el 4 de septiembre de 2026 muestra ya 3.063 estrellas, más que las 2.108 descargas mensuales del repositorio principal, lo que dice más de la atención del lanzamiento que del uso en producción.
Dónde se gana su sitio
Una investigadora de robótica en un laboratorio universitario que construye una política de visión, lenguaje y acción
Partir de un modelo pequeño que ya entienda dónde están las cosas en una escena
Ajustar ZDTaichu5.0-9B en lugar de un 9B generalista, ya que sus puntuaciones declaradas en ViewSpatial, VSI-Bench (59,69) y RoboSpatial superan a Qwen3.5-9B. Con 9,79 mil millones de parámetros cabe en una GPU de 24 GB para inferencia; revisa el aviso de la licencia de NVIDIA antes de publicar un modelo derivado.
Un ingeniero de ML en una empresa de automatización de almacenes
Responder en local preguntas de distribución a partir de cámaras fijas, como qué estantería está detrás de cuál
Servir la versión FP8 (12,67 GB de pesos) con la imagen vLLM de Taichu en una GPU, con temperatura 0 como recomienda la ficha para tareas espaciales. Valídalo antes con tus propias grabaciones: la ventaja espacial es una medición del propio fabricante.
La responsable de un equipo de plataforma en una empresa de software de 200 personas
Ejecutar un modelo de agente local y barato que llame a herramientas internas y también lea capturas de pantalla
Activar el parser de llamadas a herramientas qwen3_coder en vLLM y probarlo con tu propio conjunto de herramientas, porque la puntuación de 87,70 en TAU2-Bench la juzgó DeepSeek-V4-Flash. La licencia permite el uso comercial sin límite de ingresos, y el hardware es una sola GPU en vez de tarifas por token.
Antes de decidirte
- Puesta en marcha
- pip install transformers 5.3.0, torch 2.10.0 y timm, y luego cargar con AutoModel y trust_remote_code. Para un servidor compatible con OpenAI, usa la imagen Docker o la rama de vLLM v0.26.0 de Taichu, que necesita CUDA 12.9 o posterior y el controlador de NVIDIA 575.51.03 o posterior.
- Integraciones
- Descargas desde Hugging Face y ModelScope; vLLM (bifurcado), Transformers, y llama.cpp u Ollama mediante los archivos GGUF con un archivo de visión mmproj. El razonamiento y las llamadas a herramientas usan los parsers qwen3 y qwen3_coder de vLLM; el modelo borrador DSpark se conecta a la decodificación especulativa de vLLM.
- Datos y privacidad
- Autoalojado, así que las imágenes se quedan en tu hardware. Los pesos están bajo la NVIDIA Open Model License: permite uso comercial y derivados, sin límite de ingresos, pero la licencia termina si presentas reclamaciones de patentes o derechos de autor sobre el modelo, NVIDIA puede actualizarla y la redistribución debe incluir la licencia y su aviso. Las partes de Qwen3.5 y el código del repositorio son Apache 2.0.
- Coste a escala
- Los pesos son gratuitos y no existe precio alojado. Los archivos de pesos ocupan 19,59 GB en BF16, 12,67 GB en FP8 y 9,81 GB en NVFP4; el GGUF Q4_K_M ocupa 5,63 GB más un archivo de visión Q8_0 de 0,88 GB. NVFP4 solo es nativo en las GPU NVIDIA Blackwell. El modelo borrador DSpark de 6,42 GB dio aceleraciones de 2,46x a 3,17x en una H800 en las pruebas de Taichu.
- Límites
- Contexto de 128K tokens según la ficha. Solo 8 de las 32 capas de lenguaje usan atención completa y el resto atención lineal, lo que reduce la memoria con contextos largos pero explica por qué vLLM estándar no lo ejecuta. Los vídeos se muestrean a un número fijo de fotogramas (8 en el ejemplo de la ficha). Aún no hay evaluaciones independientes.
Lo bueno
- 62,50 en ViewSpatial y 78,27 en MindCube-tiny, muy por delante de Qwen3.5-9B (declarado por el fabricante)
- Encabeza los modelos abiertos de clase 10B de la lista en ERQA y RoboSpatial
- Versiones BF16, FP8, NVFP4 y GGUF más un modelo borrador DSpark desde el lanzamiento
- Uso comercial permitido; cabe en una sola GPU de 24 GB en BF16
Lo malo
- Queda por detrás de su propia base Qwen3.5-9B en OCRBench, MMStar y MMLU-Pro
- Aún sin resultados independientes; las puntuaciones de agentes las juzgó DeepSeek-V4-Flash
- Necesita código remoto y una versión bifurcada de vLLM
- NVIDIA Open Model License, no Apache 2.0, para los pesos
Ideal para
Investigadores de robótica e IA corporeizada que necesitan un modelo abierto pequeño que razone sobre puntos de vista, distribuciones y affordances, y pueden convivir con una pila de servicio bifurcada.
Alternativas a ZDTaichu5.0-9B
ZDTaichu5.0-9B: preguntas frecuentes
- ¿Merece la pena ZDTaichu5.0-9B?
- Un especialista vestido de generalista: según las cifras de sus creadores, entiende habitaciones y escenas de robots mucho mejor que Qwen3.5-9B, y lee texto algo peor. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta ZDTaichu5.0-9B?
- Pesos gratuitos bajo la NVIDIA Open Model License, con las partes de Qwen3.5 bajo Apache 2.0. No hay API alojada ni precio por token publicado; pagas tu propia GPU.
- ¿Qué inconvenientes tiene ZDTaichu5.0-9B?
- Queda por detrás de su propia base Qwen3.5-9B en OCRBench, MMStar y MMLU-Pro; aún sin resultados independientes; las puntuaciones de agentes las juzgó DeepSeek-V4-Flash; necesita código remoto y una versión bifurcada de vLLM; nVIDIA Open Model License, no Apache 2.0, para los pesos.
- ¿Para quién es ZDTaichu5.0-9B?
- Investigadores de robótica e IA corporeizada que necesitan un modelo abierto pequeño que razone sobre puntos de vista, distribuciones y affordances, y pueden convivir con una pila de servicio bifurcada.
- ¿Cuánto cuesta ZDTaichu5.0-9B para un equipo o en producción?
- Los pesos son gratuitos y no existe precio alojado. Los archivos de pesos ocupan 19,59 GB en BF16, 12,67 GB en FP8 y 9,81 GB en NVFP4; el GGUF Q4_K_M ocupa 5,63 GB más un archivo de visión Q8_0 de 0,88 GB. NVFP4 solo es nativo en las GPU NVIDIA Blackwell. El modelo borrador DSpark de 6,42 GB dio aceleraciones de 2,46x a 3,17x en una H800 en las pruebas de Taichu.
- ¿Es ZDTaichu5.0-9B seguro para los datos de la empresa?
- Autoalojado, así que las imágenes se quedan en tu hardware. Los pesos están bajo la NVIDIA Open Model License: permite uso comercial y derivados, sin límite de ingresos, pero la licencia termina si presentas reclamaciones de patentes o derechos de autor sobre el modelo, NVIDIA puede actualizarla y la redistribución debe incluir la licencia y su aviso. Las partes de Qwen3.5 y el código del repositorio son Apache 2.0.
- ¿Cuáles son las mejores alternativas a ZDTaichu5.0-9B?
- Las alternativas más cercanas que hemos analizado son MiniCPM-V 4.7 (35B-A3B and 1B), Gemma 4 y Phi-4-multimodal.
Respuestas comprobadas el 31 oct 2026.