O que é ZDTaichu5.0-9B?
O ZDTaichu5.0-9B é um modelo aberto de visão e linguagem da Zidong Taichu, a linha de modelos construída pelo Instituto de Automação da Academia Chinesa de Ciências (CASIA) com o Instituto de Inteligência Artificial de Wuhan. Teve o código aberto em 15 de setembro de 2026. O cartão do modelo não cita os institutos; a atribuição vem da imprensa chinesa e do departamento de ciência de Wuhan, e a imagem Docker oficial fica no registro do instituto de Wuhan. Ele combina o Qwen3.5-9B como modelo de linguagem com o codificador de imagem C-RADIOv4-H da NVIDIA, 9,79 bilhões de parâmetros no total, e lê texto, uma ou várias imagens e vídeo em um contexto de 128K tokens.
A proposta é raciocínio espacial e incorporado: esquerda e direita, pontos de vista, layouts 3D, o que um robô consegue pegar, além de uso de ferramentas em várias etapas. Seu único acréscimo de arquitetura, o Entropy-Gated Adaptive Recurrent Reasoning, reexecuta um bloco de camadas nos tokens em que o modelo está incerto e para quando o estado oculto se estabiliza, então os tokens difíceis recebem mais computação sem uma cadeia de raciocínio escrita mais longa. O treinamento chegou a cerca de 1,28 trilhão de tokens em cinco etapas, concluído com aprendizado por reforço GRPO.
Os pesos vêm em BF16, FP8, NVFP4 e GGUF, com um modelo de rascunho DSpark de 3,2B para decodificação especulativa. O código no GitHub é Apache 2.0, mas os pesos estão sob a NVIDIA Open Model License por causa do codificador C-RADIO. A adoção ainda é pequena: 2.108 downloads do repositório principal no Hugging Face nos últimos 30 dias e 2.382 do GGUF oficial, contra 3.043 curtidas e 3.063 estrelas no GitHub.
ZDTaichu5.0-9B vale a pena?
O ZDTaichu5.0-9B só vale uma olhada se suas imagens forem sobre espaço, e não sobre texto. Na tabela da própria equipe, ele marca 62,50 no ViewSpatial contra 48,20 de sua própria base, o Qwen3.5-9B, 78,27 no MindCube-tiny contra 57,60 e 47,20 no MMSI-Bench contra 38,70, à frente do Gemini 3 Pro nos três. Todos os números aqui são autodeclarados. Não encontramos entrada no Artificial Analysis nem no OpenCompass, e os testes espaciais com várias imagens foram rodados com um prompt extra pedindo raciocínio passo a passo em tags think.
O custo dessa especialização aparece no trabalho comum de visão. Contra o mesmo Qwen3.5-9B, ele perde no OCRBench (85,50 contra 89,20), no MMStar (76,80 contra 79,70), no RealWorldQA (76,99 contra 80,30) e no MathVerse (76,40 contra 84,14), e no conhecimento do MMLU-Pro cai de 82,50 para 77,20. Para notas fiscais e capturas de tela, o modelo base de onde ele partiu é a melhor escolha, pela conta dos próprios criadores.
Os números de incorporação e de agentes são melhores, mas mais estreitos que o destaque. O ERQA com 48,00 e o RoboSpatial com 56,00 lideram entre os modelos abertos da classe de 10B listados, mas ficam bem abaixo dos 66,00 do Gemini 3 Pro no ERQA. O TAU2-Bench com 87,70 e o Claw-Eval com 71,40 são as afirmações mais ousadas do lançamento, e ambos foram avaliados localmente com o DeepSeek-V4-Flash como usuário simulado ou juiz, então não são diretamente comparáveis com números publicados em outros lugares. O IFEval com 93,70 e o LiveCodeBench v6 com 73,40, contra 65,60 do Qwen, sugerem que o pós-treinamento ajudou nas tarefas de texto.
Rodá-lo é menos simples do que o tamanho de 9B sugere. Os pesos só carregam com trust_remote_code, e o serviço exige o branch próprio do vLLM 0.26.0 da Taichu ou uma imagem Docker hospedada em um registro do instituto de Wuhan, com CUDA 12.9 ou mais recente. A licença é a segunda coisa a ler: o uso comercial é permitido, mas a licença é da NVIDIA, é revogável se você processar por patentes, a NVIDIA pode alterá-la, e toda redistribuição precisa levar um aviso definido. Uma conta no GitHub criada em 4 de setembro de 2026 já mostra 3.063 estrelas, mais que os 2.108 downloads mensais do repositório principal, o que diz mais sobre a atenção no lançamento do que sobre uso em produção.
Onde ele se destaca
Um pesquisador de robótica em um laboratório universitário que constrói uma política de visão, linguagem e ação
Partir de um modelo pequeno que já entende onde as coisas estão em uma cena
Faça fine-tuning do ZDTaichu5.0-9B em vez de um 9B genérico, já que suas notas autodeclaradas no ViewSpatial, no VSI-Bench (59,69) e no RoboSpatial superam o Qwen3.5-9B. Com 9,79B de parâmetros, ele cabe em uma GPU de 24 GB para inferência; confira o aviso da licença da NVIDIA antes de publicar um modelo derivado.
Um engenheiro de ML em uma empresa de automação de armazéns
Responder perguntas de layout a partir de câmeras fixas, como qual prateleira está atrás de qual, on-premises
Sirva o build FP8 (12,67 GB de pesos) pela imagem vLLM da Taichu em uma GPU, com temperatura 0, como o cartão recomenda para tarefas espaciais. Valide antes com suas próprias filmagens: a liderança espacial é medição do próprio fornecedor.
Um líder de equipe de plataforma em uma empresa de software de 200 pessoas
Rodar um modelo de agentes local e barato que chama ferramentas internas e também lê capturas de tela
Ative o parser de chamadas de ferramentas qwen3_coder no vLLM e teste com seu próprio conjunto de ferramentas, porque a nota de 87,70 no TAU2-Bench foi julgada pelo DeepSeek-V4-Flash. A licença permite uso comercial sem teto de receita, e o hardware é uma única GPU, em vez de tarifas por token.
Antes de decidir
- Configuração
- pip install transformers 5.3.0, torch 2.10.0 e timm, depois carregue com AutoModel e trust_remote_code. Para um servidor compatível com OpenAI, use a imagem Docker ou o branch do vLLM v0.26.0 da Taichu, que exige CUDA 12.9 ou mais recente e driver NVIDIA 575.51.03 ou mais recente.
- Integrações
- Downloads no Hugging Face e no ModelScope; vLLM (com fork), Transformers e llama.cpp ou Ollama pelos arquivos GGUF com um arquivo de visão mmproj. Raciocínio e chamadas de ferramentas usam os parsers qwen3 e qwen3_coder do vLLM; o modelo de rascunho DSpark se conecta à decodificação especulativa do vLLM.
- Dados e privacidade
- Auto-hospedado, então as imagens ficam no seu hardware. Os pesos estão sob a NVIDIA Open Model License: uso comercial e derivados permitidos, sem teto de receita, mas a licença termina se você mover ações de patente ou direitos autorais sobre o modelo, a NVIDIA pode atualizá-la, e a redistribuição precisa incluir a licença e seu aviso. As partes do Qwen3.5 e o código do repositório são Apache 2.0.
- Custo em escala
- Os pesos são grátis e não existe preço hospedado. Os arquivos de pesos têm 19,59 GB em BF16, 12,67 GB em FP8 e 9,81 GB em NVFP4; o GGUF Q4_K_M tem 5,63 GB, mais um arquivo de visão Q8_0 de 0,88 GB. O NVFP4 só é nativo em GPUs NVIDIA Blackwell. O modelo de rascunho DSpark de 6,42 GB deu ganhos de velocidade de 2,46x a 3,17x em uma H800 nos testes da Taichu.
- Limites
- Contexto de 128K tokens no cartão. Só 8 das 32 camadas de linguagem usam atenção completa, as demais atenção linear, o que mantém baixa a memória em contextos longos, mas é o motivo de o vLLM padrão não rodá-lo. Os vídeos são amostrados em um número fixo de quadros (8 no exemplo do cartão). Ainda sem avaliações independentes.
O que é bom
- 62,50 no ViewSpatial e 78,27 no MindCube-tiny, bem à frente do Qwen3.5-9B (autodeclarado)
- Lidera os modelos abertos da classe de 10B listados no ERQA e no RoboSpatial
- Builds BF16, FP8, NVFP4 e GGUF, mais um modelo de rascunho DSpark, desde o lançamento
- Uso comercial permitido; cabe em uma única GPU de 24 GB em BF16
O que não é
- Fica atrás da própria base Qwen3.5-9B no OCRBench, no MMStar e no MMLU-Pro
- Ainda sem resultados de benchmarks independentes; notas de agentes julgadas pelo DeepSeek-V4-Flash
- Exige código remoto e um build de vLLM com fork
- NVIDIA Open Model License, e não Apache 2.0, para os pesos
Ideal para
Pesquisadores de robótica e IA incorporada que precisam de um modelo aberto pequeno que raciocine sobre pontos de vista, layouts e affordances, e que aceitam uma stack de serviço com fork.
Alternativas ao ZDTaichu5.0-9B
ZDTaichu5.0-9B: perguntas frequentes
- ZDTaichu5.0-9B vale a pena?
- Um especialista vestido de generalista: pelos números dos próprios criadores, ele lê ambientes e cenas de robótica muito melhor que o Qwen3.5-9B, e lê texto um pouco pior. Damos nota 3.8 de 5.
- Quanto custa ZDTaichu5.0-9B?
- Pesos grátis sob a NVIDIA Open Model License, com as partes do Qwen3.5 sob Apache 2.0. Nenhuma API hospedada nem preço por token publicados; você paga pela própria GPU.
- Quais são as desvantagens de ZDTaichu5.0-9B?
- Fica atrás da própria base Qwen3.5-9B no OCRBench, no MMStar e no MMLU-Pro; ainda sem resultados de benchmarks independentes; notas de agentes julgadas pelo DeepSeek-V4-Flash; exige código remoto e um build de vLLM com fork; nVIDIA Open Model License, e não Apache 2.0, para os pesos.
- Para quem ZDTaichu5.0-9B é indicado?
- Pesquisadores de robótica e IA incorporada que precisam de um modelo aberto pequeno que raciocine sobre pontos de vista, layouts e affordances, e que aceitam uma stack de serviço com fork.
- Quanto custa ZDTaichu5.0-9B para uma equipe ou em produção?
- Os pesos são grátis e não existe preço hospedado. Os arquivos de pesos têm 19,59 GB em BF16, 12,67 GB em FP8 e 9,81 GB em NVFP4; o GGUF Q4_K_M tem 5,63 GB, mais um arquivo de visão Q8_0 de 0,88 GB. O NVFP4 só é nativo em GPUs NVIDIA Blackwell. O modelo de rascunho DSpark de 6,42 GB deu ganhos de velocidade de 2,46x a 3,17x em uma H800 nos testes da Taichu.
- ZDTaichu5.0-9B é seguro para dados da empresa?
- Auto-hospedado, então as imagens ficam no seu hardware. Os pesos estão sob a NVIDIA Open Model License: uso comercial e derivados permitidos, sem teto de receita, mas a licença termina se você mover ações de patente ou direitos autorais sobre o modelo, a NVIDIA pode atualizá-la, e a redistribuição precisa incluir a licença e seu aviso. As partes do Qwen3.5 e o código do repositório são Apache 2.0.
- Quais são as melhores alternativas ao ZDTaichu5.0-9B?
- As alternativas mais próximas que analisamos são MiniCPM-V 4.7 (35B-A3B and 1B), Gemma 4 e Phi-4-multimodal.
Respostas verificadas em 31 de out. de 2026.