ZDTaichu5.0-9B 开源：10B 的小模型，空间推理和 Agent 干过了 9B 大哥
开源界又来了一个 10B 规模的多模态模型，中科院出品，代号 ZDTaichu5.0-9B，挂在了 Hugging Face 上，权重开放下载。光看参数表会觉得它就是个常规的视觉语言模型，但翻到 benchmark 那一页会发现，这货的重点根本不是「看懂图」，而是把空间推理、embodied（具身）理解和 Agent 能扛的活，全都压进了一个 9B 的底座。
先说架构：语言主干是 Qwen3.5-9B，视觉编码用 C-RADIOv4-H，支持文本、单图、多图和视频输入，上下文拉到 128K token，视觉输入任意分辨率。这基本是当下 10B 级通用 VLM 的标配，真正让它脱掉「凑热闹」帽子的是评测数字。
空间和具身这一栏几乎是清一色领先。SparBench 拿到 51.82，高于同为开源的 Qwen3.5-9B 的 50.79 和 gemma4-8B-E4B 的 28.50；ViewSpatial 62.50 对比 Qwen3.5-9B 的 48.20；MMSI-Bench 47.20 对 38.70；MindCube-tiny 78.27 对 57.60。ERQA 的 48 分和 RoboSpatial 的 56 分，覆盖了场景理解、affordance（可操作语义）和交互相关的理解。落到干活场景，就是让一个 9B 的模型去判断「这个杯子能不能被机械臂抓起」「这张平面图里厨房左边是什么房间」这类问题，它不再靠瞎蒙。
Agent 能力更值得一提。TAU2-Bench 拿到 87.70，Claw-Eval 平均 71.40，IFEval 93.70，在对比的开源模型里都领先，甚至超过了不少闭源。一个 9B 的开源模型做多步工具调用能到这个程度，意味着在本地或自己服务器上搭 Agent 时，不必非得上大而贵的闭源 API 才玩得转工具链。
技术上它提了个「Entropy-Gated Adaptive Recurrent Reasoning」——按 token 的熵动态决定要不要在潜空间里多做几轮递归推理。直白点说，碰到难搞的 token 多花点计算量，简单的地方直接过，不用对每个 token 一视同仁地烧算力。这个思路务实，跟那种「不管难易统一开大模型硬磨」的做法不一样。
数字只是数字。发布博客自己也说了，ViewSpatial、MMSI-Bench 等这些多图空间评测里加了输出格式约束（先 internal monologue 再给 \boxed{} 答案），TAU2 和 Claw-Eval 的本地评测用了 DeepSeek-V4-Flash-0731 当模拟用户/裁判。所以横向对比表里那些分数，是「同一套评测设置下的相对表现」，不属于绝对意义上的「空间推理宇宙第一」。通用视觉那块它也承认没全胜——MathVista 84.50 输给 Qwen3.5-9B 的 85.70，MMStar、OCRBench、RealWorldQA 也都略逊一筹。它的卖点是「在不牺牲太多通用视觉的前提下，把空间、具身、Agent 这叠能力摊厚」。
部署门槛不高，至少对玩过 vLLM 的人是这样。离线推理直接换 transformers 5.3.0 加 torch 2.10.0，加载模型问一句「厨房左边是哪个房间」就能跑；在线服务他们把 vLLM 的 v0.26.0 分支改了改，兼容量化、speculative decoding，支持 Docker 一键起，也给了 GitHub 源码让你自己编译。服务暴露的是 OpenAI 兼容端点，图片和视频走 base64 的 data URI 传，视频处理用 media_io_kwargs.video.num_frames 控制采样帧数，默认示例里是 8 帧。
有一点值得强调：模型本身不执行工具，工具调用要由你的应用去实现、校验和安全把关。这句话写在模型卡里，翻译过来就是——别指望单靠这个权重就自动化整个工作流，它只负责「想清楚该调什么、下一步干什么」，真正落地执行和安全还得靠外部那层工程兜着。这是个很诚实的边界声明，比那些把「能调用工具」吹成「全自动干活」的模型诚实多了。
权重的许可协议用 NVIDIA Open Model License，同时保留了 Qwen3.5 的 Apache-2.0 和其他第三方声明，引用和合规的时候得上游下游一起看清楚。目前这个页面显示下载量一个月 12000 多次，模型大小 10B 参数，BF16 精度，GitHub、ModelScope 都有镜像，Hugging Face 上一搜就能拉到。空间推理和 Agent 这个切口，10B 开源模型里能打到现在这个程度的确实不多见，值得跑一下看看是不是真有发布博客吹得那么硬。