9B 模型空间推理超越闭源

空间推理能力如何超越闭源模型

ZDTaichu5.0-9B 在 ViewSpatial 基准得分 62.5，显著高于 Qwen3.5-9B 的 48.2，据官方技术博客数据，其核心优势在于内部自适应循环推理机制，能动态分配算力处理视角转换难题。

• 基准实测：在 MindCube-tiny 上得分 78.27，比同级 Qwen3.5-9B 高 20.67 分，主要解决三维空间折叠与参照系错乱问题。
• 机制拆解：模型每输出 token 时评估置信度，低置信度场景触发多轮内部推理，避免固定思维链带来的推理成本不可控问题。
• 案例佐证：在「窗帘视角面向沙发判断柜子方向」测试中，正确输出“右前方”，而对比模型均出现方向判断错误。

部署成本与通用能力平衡点在哪里

9B 参数量支持单图、长视频及任意分辨率输入，据 GitHub 仓库说明，其通用能力未因专项优化退化，IFeval 指令遵循得分 93.7，适合私有化部署替代 API。

• 性能基线：AI2D 图表理解 91.48，LiveCodeBench 代码能力 73.4，保持同级第一梯队水平，无通用能力回退。
• 训练资源：预训练数据总量约 1.28T tokens，基于 Qwen3.5-9B 语言骨干与 NVIDIA C-RADIOv4-H 视觉编码器构建，基础设施要求适中。
• 边界定位：仅负责高层规划，底层运动控制仍需硬件系统承接，非端到端机器人控制系统，需结合现场数据微调。

行业落地最大的坑是什么

主要风险在于数据工程门槛与物理安全边界，据第三方转述，直接套用开源权重而不进行自有工业数据微调，在真实产线复杂场景中易出现状态更新滞后与动作规划失准。

• 数据管线：官方虽公开数据生产方案，但 GRPO 强化学习阶段需构建可自动校验的奖励信号，缺乏工业仿真数据的团队难以直接复现训练效果。
• 场景适配：在「剪刀收纳抽屉」等长任务中，模型需实时处理新画面输入更新状态，固定脚本规划无法应对动态环境变化。
• 安全兜底：空间理解能力不覆盖设备安全逻辑，物理操作必须保留独立的安全控制层，不可完全依赖模型决策。

常见问题

问：该模型是否支持私有化离线部署？
答：支持，9B 参数量适合本地服务器部署，无需调用外部 API，保护现场数据隐私。
问：如何获取训练数据管线方案？
答：在 GitHub 仓库 recurrent_reasoning/ 目录下公开了自适应循环推理代码，数据生产详细方案随技术博客一并发布。
问：是否替代现有机器人控制系统？
答：不替代，仅作为高层规划模块，底层运动控制与设备安全逻辑仍由原硬件控制系统负责。

来源 · GitHubDaily：阅读原文 →