通用能力不打折，空间具身智能断层领先！ZDTaichu5.0-9B国产开源，跻身全球多模态第一梯队

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 通用能力不打折，空间具身智能断层领先！ZDTaichu5.0-9B国产开源，跻身全球多模态第一梯队 鹭羽 2026-09-16 21:08:20 来源： 量子位 鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 来了！这一次， 国产多模态 在物理世界也夯起来了—— 九大国际权威空间理解基准测试中， 八项断档第一 ，通用能力还能不打折。 紫东太初最新开源的通用多模态大模型 ZDTaichu5.0-9B ，直接把10B以下通用模型空间具身的天花板又往上顶了一大截。 这里可能就有朋友要问了，让多模态看懂真实世界，为啥值得单拎出来说？ 一个字： 难！ 过去的多模态模型，已经能把一张图片理解得头头是道，但一旦走进真实物理世界，空间理解与行动能力往往就跟不上；而一些模型为了补足空间能力，又不得不以牺牲通用能力为代价。 能同时跑通这两件事的模型寥寥无几，效果还突出的更是凤毛麟角。 紫东太初就是其中之一，ZDTaichu5.0-9B堪称 全能 。 眼见为实，咱们直接上效果。 视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg 这是一段由 ZDTaichu5.0-9B 控制的美工刀具身收纳演示。 如果让人来做，应当是个非常简单的过程： 拉开抽屉→放进去→再关闭 。但具身不一样，一连串的动作背后都是相当细致的空间判断。 刀柄在哪里？抽屉状态如何？夹爪有没有对准？ 每一步都要承接住上一步带来的变化，动作才能看起来顺，这对模型能力的考验是极为苛刻的，而ZDTaichu5.0-9B已经能完成 复杂的空间理解和高层任务规划 。 与此同时，对于这个只有9B大小的模型，其图文理解、文字识别、数学推理和代码能力也依旧稳居 第一梯队 。 通用能力不降级，空间具身能力向上突破。 很好奇，究竟是如何做到的？ 空间具身+多模态双领先 在回答这个问题之前，咱们不妨再多看几个效果感受感受。 先来几道空间具身题目尝个鲜。 从视频目标定位到三视角推理，空间判断稳准狠 第一道题 「找东西」 ：从左至右，找到第二个银色盒子。 这个 空间感知任务 对于机器人来说，是后续执行任务的大前提。指错了，后面的抓取动作再准确，执行的也是另一个任务。 视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg △实测由紫东太初完成 画面中，台面挤满杯子、收纳容器和各种杂物，干扰项较多。模型得同时读懂银色这个关键属性、盒子这个对象，以及从左到右第二个这层空间排列关系。 从对比演示中看，ZDTaichu5.0-9B给出的 归一化坐标 （237,226）最为精准，落在目标标注区域内。 接下来难度升级，不仅要找得对，也要看得准。 这是道考验复杂空间推理的 「看位置」 题。 视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg △实测由紫东太初完成 输入的是同一房间的三个视角。模型需要设想自己移动到绿框窗帘所在的位置，面向蓝框沙发，再判断红框柜子相对自己的方位。 其中模型得把不同画面中的对象一一对应起来，再根据新的观察位置和朝向转换参照系。 ZDTaichu5.0-9B给出了右前方， 预测完全正确 。 再往前一步，空间判断还得回答哪里具备操作条件，给予机器人接下来的操作以方便。 比如这道 「找空位」 ，要求在最右侧杯子的杯柄方向上，找一块空闲区域。 认出杯子只是开始，随后还要确定杯柄朝向，检查旁边是否被其他物体占用。 视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg △实测由紫东太初完成 结果也不出所料，ZDTaichu5.0-9B依旧稳稳 落入正确区域 。 当我们把三个例子放在一起看，它们分别对应目标选择、参照系转换和交互条件判断，都在机器人执行真实物理任务中扮演关键要素。 换言之，这些基础能力都决定着 具身能否从一句任务指令到真正可执行 。 再来看 完整成绩单 ，模型优势就更加清晰了。 在所列的10B档位开闭源模型中，ZDTaichu5.0-9B几乎是 断层领先 。 比如差距较大的MindCube-tiny，ZDTaichu5.0-9B的得分是78.27分，Gemma4 8B-E4B、Gemini 3 Pro和Grok 4分别是48.8462、70.87和63.56。 整个榜单把 空间感知、三维推理、多视角变换、具身交互 都囊括在内了，可谓是面面俱到，足见ZDTaichu5.0-9B已彻底看懂物理场景该怎么操作。 双线突破，通用能力不降级 考完空间能力之后，另一个重要问题随之而来： 通用能力 还hold得住吗？ 这里同样有份基础能力的成绩单。 图解理解基准AI2D达到 91.48分 ，仅次于Gemini 3 Pro，高于其它所有对照模型。 WeMath为75.9分，同样领先；MathVista Mini为84.5分、OCRBench为85.5分，表现颇具竞争力。 除此之外，ZDTaichu5.0-9B在 Agent与文本任务 上也依旧表现突出，尤其是代码成绩。 这些能力具体怎么组合起来用， 科研Agent 的阻尼振子求解demo给出了直观展示。 该问题要求Agent组织解析求解与Python/SciPy数值计算，并对照两种结果，最后生成相空间图、位移与速度曲线，以及分析报告。 ZDTaichu5.0-9B在整个过程中也丝毫没有掉链子，在问题理解、代码执行、结果核对和图表输出四个阶段子任务上都完美实现连续衔接，最后输出非常完整。 视频链接：https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg 事实上，这对于同一个9B模型是相当不容易的。 要同时兼顾 空间具身能力与通用能力 两条线，背后要解决的有很多，例如数据如何组织，以及复杂判断时算力怎么分配。 9B多模态大模型的空间具身能力，是怎样练成的？ ZDTaichu5.0-9B给出的解法贯穿 训练 和 推理 两部分。 全栈数据生产管线：把通用能力、Agent能力以及空间具身能力全部练进模型 紫东太初先是围绕这一需求，组织了一套 经过全流程验证 、 可复用 、 可迁移 的数据工程链路。 整体包括三个渐进式成长阶段： Step 1：预训练数据管线。 这一步数据覆盖开源图文、网页结构化文档、公开视频多视角素材和仿真渲染三维场景。 原始素材进入管线后，先通过 感知哈希 与 URL 去重，再过滤低清晰度、图文不相关等较差的样本，随后进行内容重写解析和视频抽帧描述，最终打包组织成可训练的图文与时序输入。 最终建立的是视觉、语言、时序和空间概念之间的对齐联系。 Step 2：监督微调数据管线。 随后训练开始覆盖完整任务。 开源SFT指令、真实业务问答、空间具身案例，以及Agent工具调用轨迹，都被组织成多轮对话、多图和视频序列。 其中针