Qu’est-ce que ZDTaichu5.0-9B ?
ZDTaichu5.0-9B est un modèle vision-langage ouvert de Zidong Taichu, la gamme de modèles développée par l'Institut d'automatique de l'Académie chinoise des sciences (CASIA) avec l'Institut d'intelligence artificielle de Wuhan. Il a été publié en open source le 15 septembre 2026. La fiche du modèle ne nomme pas les instituts ; l'attribution vient de la presse chinoise et du bureau des sciences de Wuhan, et l'image Docker officielle est hébergée sur le registre de l'institut de Wuhan. Il associe Qwen3.5-9B comme modèle de langage à l'encodeur d'images C-RADIOv4-H de NVIDIA, soit 9,79 milliards de paramètres au total, et lit du texte, une ou plusieurs images et de la vidéo dans un contexte de 128K tokens.
Sa promesse est le raisonnement spatial et incarné : gauche et droite, points de vue, agencements en 3D, ce qu'un robot peut saisir, plus l'usage d'outils en plusieurs étapes. Sa seule nouveauté d'architecture, Entropy-Gated Adaptive Recurrent Reasoning, refait passer un bloc de couches sur les tokens où le modèle hésite et s'arrête quand l'état caché se stabilise : les tokens difficiles reçoivent plus de calcul sans chaîne de raisonnement écrite plus longue. L'entraînement a porté sur environ 1,28 billion de tokens en cinq étapes, terminé par un apprentissage par renforcement GRPO.
Les poids sont proposés en BF16, FP8, NVFP4 et GGUF, avec un modèle brouillon DSpark de 3.2B pour le décodage spéculatif. Le code sur GitHub est sous Apache 2.0, mais les poids sont sous NVIDIA Open Model License à cause de l'encodeur C-RADIO. L'adoption reste modeste : 2 108 téléchargements du dépôt principal sur Hugging Face au cours des 30 derniers jours et 2 382 pour le GGUF officiel, contre 3 043 mentions j'aime et 3 063 étoiles sur GitHub.
ZDTaichu5.0-9B vaut-il le coup ?
ZDTaichu5.0-9B ne mérite l'attention que si vos images parlent d'espace plutôt que de texte. Dans le tableau de l'équipe, il obtient 62,50 sur ViewSpatial contre 48,20 pour sa propre base, Qwen3.5-9B, 78,27 sur MindCube-tiny contre 57,60 et 47,20 sur MMSI-Bench contre 38,70, devant Gemini 3 Pro sur les trois. Tous ces chiffres sont déclarés par l'éditeur. Nous n'avons trouvé aucune entrée sur Artificial Analysis ni sur OpenCompass, et les tests spatiaux à plusieurs images ont été menés avec une consigne ajoutée demandant un raisonnement pas à pas entre balises think.
Le prix de cette spécialisation apparaît sur le travail de vision ordinaire. Face au même Qwen3.5-9B, il perd sur OCRBench (85,50 contre 89,20), MMStar (76,80 contre 79,70), RealWorldQA (76,99 contre 80,30) et MathVerse (76,40 contre 84,14), et sur les connaissances de MMLU-Pro il recule de 82,50 à 77,20. Pour des factures et des captures d'écran, le modèle de base dont il est issu est le meilleur choix, de l'aveu même de ses auteurs.
Les chiffres incarnés et agentiques sont meilleurs, mais plus étroits que le titre. ERQA à 48,00 et RoboSpatial à 56,00 placent le modèle en tête des modèles ouverts de classe 10B listés, mais bien sous les 66,00 de Gemini 3 Pro sur ERQA. TAU2-Bench à 87,70 et Claw-Eval à 71,40 sont les affirmations les plus audacieuses de la sortie, et les deux ont été notées en local avec DeepSeek-V4-Flash comme utilisateur simulé ou juge : elles ne sont donc pas directement comparables aux chiffres publiés ailleurs. IFEval à 93,70 et LiveCodeBench v6 à 73,40 contre 65,60 pour Qwen suggèrent que le post-entraînement a bien aidé sur les tâches textuelles.
Le faire tourner est moins simple que ne le laisse croire sa taille de 9B. Les poids ne se chargent qu'avec trust_remote_code, et le service exige la branche propre à Taichu de vLLM 0.26.0 ou une image Docker hébergée sur le registre d'un institut de Wuhan, avec CUDA 12.9 ou plus récent. La licence est la deuxième chose à lire : l'usage commercial est permis, mais elle appartient à NVIDIA, elle est révoquée si vous engagez une action en brevets, NVIDIA peut la modifier, et toute redistribution doit porter une mention imposée. Un compte GitHub créé le 4 septembre 2026 affiche déjà 3 063 étoiles, plus que les 2 108 téléchargements mensuels du dépôt principal, ce qui en dit davantage sur l'attention au lancement que sur l'usage en production.
Là où il fait la différence
Une chercheuse en robotique dans un laboratoire universitaire qui construit une politique vision-langage-action
Partir d'un petit modèle qui comprend déjà où se trouvent les objets dans une scène
Affiner ZDTaichu5.0-9B plutôt qu'un 9B généraliste, puisque ses scores déclarés sur ViewSpatial, VSI-Bench (59,69) et RoboSpatial dépassent Qwen3.5-9B. Avec 9,79 milliards de paramètres, il tient sur un GPU de 24 Go pour l'inférence ; vérifiez la mention de licence de NVIDIA avant de publier un modèle dérivé.
Un ingénieur ML dans une entreprise d'automatisation d'entrepôts
Répondre sur site à des questions d'agencement à partir de caméras fixes, par exemple quelle étagère se trouve derrière laquelle
Servir la version FP8 (12,67 Go de poids) via l'image vLLM de Taichu sur un GPU, avec une température de 0 comme le recommande la fiche pour les tâches spatiales. Validez d'abord sur vos propres images : l'avance spatiale est une mesure de l'éditeur lui-même.
Une responsable d'équipe plateforme dans un éditeur de logiciels de 200 personnes
Faire tourner un modèle d'agent local et peu coûteux qui appelle des outils internes et lit aussi des captures d'écran
Activer le parseur d'appels d'outils qwen3_coder dans vLLM et tester sur votre propre jeu d'outils, car le score de 87,70 sur TAU2-Bench a été jugé par DeepSeek-V4-Flash. La licence permet l'usage commercial sans plafond de revenus, et le matériel se résume à un seul GPU plutôt qu'à des frais par token.
Avant de vous engager
- Mise en route
- pip install transformers 5.3.0, torch 2.10.0 et timm, puis chargement avec AutoModel et trust_remote_code. Pour un serveur compatible OpenAI, utilisez l'image Docker ou la branche vLLM v0.26.0 de Taichu, qui exige CUDA 12.9 ou plus récent et le pilote NVIDIA 575.51.03 ou plus récent.
- Intégrations
- Téléchargements depuis Hugging Face et ModelScope ; vLLM (version dérivée), Transformers, et llama.cpp ou Ollama via les fichiers GGUF avec un fichier de vision mmproj. Le raisonnement et les appels d'outils passent par les parseurs qwen3 et qwen3_coder de vLLM ; le modèle brouillon DSpark se branche sur le décodage spéculatif de vLLM.
- Données et confidentialité
- Auto-hébergé, les images restent donc sur votre matériel. Les poids sont sous NVIDIA Open Model License : usage commercial et modèles dérivés autorisés, sans plafond de revenus, mais la licence prend fin si vous engagez des actions en brevets ou en droit d'auteur visant le modèle, NVIDIA peut la mettre à jour, et toute redistribution doit inclure la licence et sa mention. Les parties Qwen3.5 et le code du dépôt sont sous Apache 2.0.
- Coût à grande échelle
- Les poids sont gratuits et il n'existe aucun prix hébergé. Les fichiers de poids pèsent 19,59 Go en BF16, 12,67 Go en FP8 et 9,81 Go en NVFP4 ; le GGUF Q4_K_M fait 5,63 Go plus un fichier de vision Q8_0 de 0,88 Go. NVFP4 n'est natif que sur les GPU NVIDIA Blackwell. Le modèle brouillon DSpark de 6,42 Go a donné des accélérations de 2,46x à 3,17x sur un H800 dans les tests de Taichu.
- Limites
- Contexte de 128K tokens selon la fiche. Seules 8 des 32 couches de langage utilisent l'attention complète, les autres une attention linéaire, ce qui limite la mémoire sur les longs contextes mais explique pourquoi vLLM standard ne le fait pas tourner. Les vidéos sont échantillonnées à un nombre fixe d'images (8 dans l'exemple de la fiche). Pas encore d'évaluations indépendantes.
Les points forts
- 62,50 sur ViewSpatial et 78,27 sur MindCube-tiny, loin devant Qwen3.5-9B (chiffres de l'éditeur)
- En tête des modèles ouverts de classe 10B listés sur ERQA et RoboSpatial
- Versions BF16, FP8, NVFP4 et GGUF plus un modèle brouillon DSpark dès la sortie
- Usage commercial autorisé ; tient sur un seul GPU de 24 Go en BF16
Les points faibles
- En retrait de sa propre base Qwen3.5-9B sur OCRBench, MMStar et MMLU-Pro
- Pas encore de résultats indépendants ; scores agentiques jugés par DeepSeek-V4-Flash
- Exige du code distant et une version dérivée de vLLM
- NVIDIA Open Model License, et non Apache 2.0, pour les poids
Idéal pour
Les chercheurs en robotique et en IA incarnée qui veulent un petit modèle ouvert capable de raisonner sur les points de vue, les agencements et les affordances, et qui acceptent une pile de service dérivée.
Alternatives à ZDTaichu5.0-9B
ZDTaichu5.0-9B : questions fréquentes
- ZDTaichu5.0-9B vaut-il le coup ?
- Un spécialiste déguisé en généraliste : selon les chiffres de ses auteurs, il comprend les pièces et les scènes robotiques bien mieux que Qwen3.5-9B, et lit le texte un peu moins bien. Nous lui donnons 3.8 sur 5.
- Combien coûte ZDTaichu5.0-9B ?
- Poids gratuits sous NVIDIA Open Model License, les parties Qwen3.5 sous Apache 2.0. Aucune API hébergée ni prix par token publié ; vous payez votre propre GPU.
- Quels sont les inconvénients de ZDTaichu5.0-9B ?
- En retrait de sa propre base Qwen3.5-9B sur OCRBench, MMStar et MMLU-Pro; pas encore de résultats indépendants ; scores agentiques jugés par DeepSeek-V4-Flash; exige du code distant et une version dérivée de vLLM; nVIDIA Open Model License, et non Apache 2.0, pour les poids.
- À qui s’adresse ZDTaichu5.0-9B ?
- Les chercheurs en robotique et en IA incarnée qui veulent un petit modèle ouvert capable de raisonner sur les points de vue, les agencements et les affordances, et qui acceptent une pile de service dérivée.
- Combien coûte ZDTaichu5.0-9B pour une équipe ou en production ?
- Les poids sont gratuits et il n'existe aucun prix hébergé. Les fichiers de poids pèsent 19,59 Go en BF16, 12,67 Go en FP8 et 9,81 Go en NVFP4 ; le GGUF Q4_K_M fait 5,63 Go plus un fichier de vision Q8_0 de 0,88 Go. NVFP4 n'est natif que sur les GPU NVIDIA Blackwell. Le modèle brouillon DSpark de 6,42 Go a donné des accélérations de 2,46x à 3,17x sur un H800 dans les tests de Taichu.
- ZDTaichu5.0-9B est-il sûr pour les données de l’entreprise ?
- Auto-hébergé, les images restent donc sur votre matériel. Les poids sont sous NVIDIA Open Model License : usage commercial et modèles dérivés autorisés, sans plafond de revenus, mais la licence prend fin si vous engagez des actions en brevets ou en droit d'auteur visant le modèle, NVIDIA peut la mettre à jour, et toute redistribution doit inclure la licence et sa mention. Les parties Qwen3.5 et le code du dépôt sont sous Apache 2.0.
- Quelles sont les meilleures alternatives à ZDTaichu5.0-9B ?
- Les alternatives les plus proches que nous avons testées sont MiniCPM-V 4.7 (35B-A3B and 1B), Gemma 4 et Phi-4-multimodal.
Réponses vérifiées le 31 oct. 2026.