ZDTaichu5.0-9Bとは？
ZDTaichu5.0-9Bは、中国科学院自動化研究所（CASIA）が武漢人工知能研究院とともに開発するモデル系統Zidong Taichuのオープンなビジョン言語モデルです。2026年9月15日にオープンソース化されました。モデルカードには研究機関の名前がなく、帰属は中国の報道と武漢市の科学技術局によるものです。公式のDockerイメージは武漢の研究院のレジストリにあります。言語モデルのQwen3.5-9BとNVIDIAの画像エンコーダーC-RADIOv4-Hを組み合わせ、合計97.9億（9.79 billion）パラメータで、テキスト、単一または複数の画像、動画を128Kトークンのコンテキストに読み込みます。
売りは空間的・身体的な推論です。左右、視点、3Dの配置、ロボットが何をつかめるか、さらに複数ステップのツール利用です。アーキテクチャ上の唯一の追加であるEntropy-Gated Adaptive Recurrent Reasoningは、モデルが確信を持てないトークンで層のブロックを繰り返し実行し、隠れ状態が落ち着いたら止めます。これにより、書き出す思考の連鎖を長くせずに、難しいトークンにより多くの計算を割り当てます。学習は5段階で約1.28兆（1.28 trillion）トークンに及び、最後にGRPOの強化学習で仕上げています。
重みはBF16、FP8、NVFP4、GGUFで提供され、投機的デコード用に3.2BのDSparkドラフトモデルがあります。GitHubのコードはApache 2.0ですが、C-RADIOエンコーダーのため重みはNVIDIA Open Model Licenseです。採用は今のところ小規模で、過去30日間のHugging Faceのダウンロード数はメインのリポジトリが2,108、公式のGGUFが2,382です。一方、いいねは3,043、GitHubのスターは3,063あります。
ZDTaichu5.0-9Bは使う価値があるか？
ZDTaichu5.0-9Bを検討する価値があるのは、画像がテキストではなく空間に関するものの場合だけです。チーム自身の表では、ViewSpatialで62.50（自らのベースのQwen3.5-9Bは48.20）、MindCube-tinyで78.27（同57.60）、MMSI-Benchで47.20（同38.70）で、3つすべてでGemini 3 Proを上回ります。ここでの数値はす べて自己申告です。Artificial AnalysisやOpenCompassには掲載が見つからず、複数画像の空間テストは、thinkタグで段階的に推論するよう求めるプロンプトを追加して実行されています。
その専門化の代償は、通常のビジョンの作業に表れます。同じQwen3.5-9Bに対して、OCRBench（85.50対89.20）、MMStar（76.80対79.70）、RealWorldQA（76.99対80.30）、MathVerse（76.40対84.14）で負け、MMLU-Proの知識では82.50から77.20に下がります。請求書やスクリーンショットには、開発元自身の数字でも、もとになったベースモデルのほうが良い選択です。
身体性とエージェントの数値はより良いものの、見出しより範囲は狭いです。ERQAの48.00とRoboSpatialの56.00は、掲載された10B級のオープンモデルの中でトップですが、ERQAではGemini 3 Proの66.00を大きく下回ります。TAU2-Benchの87.70とClaw-Evalの71.40はこのリリースで最も大胆な主張ですが、どちらもDeepSeek-V4-Flashを模擬ユーザーまたは判定役としてローカルで採点されたもので、他で公開された数値とは直接比較できません。IFEvalの93.70と、LiveCodeBench v6の73.40（Qwenは65.60）は、事後学習がテキストのタスクにも役立ったことを示唆しています。
動かすのは9Bというサイズから想像するほど簡単ではありません。重みはtrust_remote_codeでしか読み込めず、提供にはTaichu独自のvLLM 0.26.0のブランチか、武漢の研究院のレジストリにあるDockerイメージが必要で、CUDA 12.9以降が求められます。次に読むべきはライセンスです。商用利用は認められていますが、NVIDIAのライセンスで、特許をめぐって訴訟を起こせば取り消され、NVIDIAが変更することがあり、再配布のたびに所定の表示が必要です。2026年9月4日に作成され たGitHubのアカウントには現在3,063のスターがあり、メインのリポジトリの月間ダウンロード数2,108を上回っています。これは本番での利用よりも公開時の注目を物語っています。
真価を発揮する場面
視覚・言語・行動のポリシーを作る大学の研究室のロボティクス研究者
場面のどこに何があるかをすでに理解している小型モデルから始める
汎用の9BではなくZDTaichu5.0-9Bをファインチューニングします。自己申告のViewSpatial、VSI-Bench（59.69）、RoboSpatialのスコアがQwen3.5-9Bを上回っているためです。9.79Bパラメータなので推論は24 GBのGPU 1基に収まります。派生モデルを公開する前にNVIDIAのライセンスの表示を確認してください。
倉庫自動化企業のMLエンジニア
固定カメラの映像から、どの棚がどの棚の後ろにあるかといった配置の質問にオンプレミスで答える
TaichuのvLLMイメージで、GPU 1基でFP8ビルド（重み12.67 GB）を提供し、モデルカードが空間タスクに推奨するtemperature 0を使います。空間でのリードはベンダー自身の計測なので、まず自分の映像で検証してください。
200人規模のソフト ウェア企業のプラットフォームチームのリーダー
社内ツールを呼び出し、スクリーンショットも読む安価なローカルのエージェントモデルを動かす
vLLMでqwen3_coderのツール呼び出しパーサーを有効にし、自社のツール群でテストします。TAU2-Benchの87.70はDeepSeek-V4-Flashが判定したものだからです。ライセンスは売上上限なしで商用利用を認めており、費用はトークン単価ではなくGPU 1基のハードウェアです。
導入前に確認すること
- 導入
- pip installでtransformers 5.3.0、torch 2.10.0、timmを入れ、AutoModelとtrust_remote_codeで読み込みます。OpenAI互換のサーバーには、TaichuのvLLM v0.26.0のDockerイメージかブランチを使います。CUDA 12.9以降とNVIDIAドライバー575.51.03以降が必要です。
- 連携
- Hugging FaceとModelScopeからダウンロードできます。vLLM（フォーク版）、Transformers、GGUFファイルとmmprojのビジョンファイルによるllama.cppまたはOllamaに対応します。推論とツール呼び出しにはvLLMのqwen3とqwen3_coderのパーサーを使い、DSparkのドラフトモデルはvLLMの投機的デコードに組み込めます。
- データとプライバシー
- 自前ホスティングなので、画像は自分 のハードウェアにとどまります。重みはNVIDIA Open Model Licenseで、商用利用と派生物は認められ、売上上限もありません。ただし、モデルをめぐって特許や著作権の請求をするとライセンスは終了し、NVIDIAが更新することがあり、再配布にはライセンスとその表示を含める必要があります。Qwen3.5の部分とリポジトリのコードはApache 2.0です。
- 大規模利用時のコスト
- 重みは無料で、ホスト型の価格はありません。重みのファイルはBF16で19.59 GB、FP8で12.67 GB、NVFP4で9.81 GBです。GGUFのQ4_K_Mは5.63 GBで、0.88 GBのQ8_0のビジョンファイルが加わります。NVFP4がネイティブで動くのはNVIDIA Blackwell GPUだけです。6.42 GBのDSparkドラフトモデルは、TaichuのテストでH800 1基で2.46倍から3.17倍の高速化を示しました。
- 制限
- モデルカードではコンテキストは128Kトークンです。32の言語層のうちフルアテンションは8層だけで、残りは線形アテンションです。これにより長いコンテキストでのメモリを抑えていますが、標準のvLLMで動かない理由でもあります。動画は所定のフレーム数にサンプリングされます（モデルカードの例では8）。独立した評価はまだありません。
良い点
- ViewSpatialで62.50、MindCube-tinyで78.27と、Qwen3.5-9Bを大きく上回ります（自己申告）
- ERQAとRoboSpatialで、掲載された10B級のオープンモデルの中でトップです
- 公開時からBF16、FP8、NVFP4、GGUFのビルドとDSparkのドラフトモデルがあります
- 商用利用でき、BF16で24 GBのGPU 1基に収まります
気になる点
- OCRBench、MMStar、MMLU-Proで、自らのベースのQwen3.5-9Bに劣ります
- 独立したベンチマークの結果はまだなく、エージェントのスコアはDeepSeek-V4-Flashが判定しています
- リモートコードとフォーク版のvLLMビルドが必要です
- 重みはApache 2.0ではなくNVIDIA Open Model Licenseです
おすすめの人
視点、配置、アフォーダンスについて推論する小型のオープンモデルが必要で、フォーク版の提供スタックを受け入れられるロボティクスと身体性AIの研究者です。
ZDTaichu5.0-9Bの代替
ZDTaichu5.0-9B：よくある質問
- ZDTaichu5.0-9Bは使う価値があるか？
- 汎用モデルの姿をした専門モデルです。開発元自身の数値では、部屋やロボットの場面をQwen3.5-9Bよりはるかによく読み取り、テキストの読み取りはわずかに劣ります。 評価は5点満点中3.8点です。
- ZDTaichu5.0-9Bの料金は？
- NVIDIA Open Model Licenseの無料の重みで、Qwen3.5の部分はApache 2.0です。ホスト型APIやトークン単価は公開されていません。費用 は自分のGPU代です。
- ZDTaichu5.0-9Bの欠点は？
- OCRBench、MMStar、MMLU-Proで、自らのベースのQwen3.5-9Bに劣ります; 独立したベンチマークの結果はまだなく、エージェントのスコアはDeepSeek-V4-Flashが判定しています; リモートコードとフォーク版のvLLMビルドが必要です; 重みはApache 2.0ではなくNVIDIA Open Model Licenseです.
- ZDTaichu5.0-9Bは誰に向いているか？
- 視点、配置、アフォーダンスについて推論する小型のオープンモデルが必要で、フォーク版の提供スタックを受け入れられるロボティクスと身体性AIの研究者です。
- チームや本番環境でZDTaichu5.0-9Bを使うと費用はいくらか？
- 重みは無料で、ホスト型の価格はありません。重みのファイルはBF16で19.59 GB、FP8で12.67 GB、NVFP4で9.81 GBです。GGUFのQ4_K_Mは5.63 GBで、0.88 GBのQ8_0のビジョンファイルが加わります。NVFP4がネイティブで動くのはNVIDIA Blackwell GPUだけです。6.42 GBのDSparkドラフトモデルは、TaichuのテストでH800 1基で2.46倍から3.17倍の高速化を示しました。
- ZDTaichu5.0-9Bは企業データを扱っても安全か？
- 自前ホスティングなので、画像は自分のハードウェアにとどまります。重みはNVIDIA Open Model Licenseで、商用利用と派生物は認められ、売上上限もありません。ただし、モデルをめぐって特許や著作権の請求をするとライセンスは終了し、NVIDIAが更新することがあり、再配布にはラ イセンスとその表示を含める必要があります。Qwen3.5の部分とリポジトリのコードはApache 2.0です。
- ZDTaichu5.0-9Bの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はMiniCPM-V 4.7 (35B-A3B and 1B), Gemma 4 、 Phi-4-multimodalです。
回答確認日：2026年10月31日