ZDTaichu 5.0-9B: Mô hình AI đa phương thức nội địa Trung Quốc dẫn đầu thế giới về trí tuệ không gian

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

16-09-2026 21:08:20 Nguồn: QbitAI

Đứng đầu 8 trên 9 bài kiểm tra không gian dành cho mô hình đa năng quy mô 10B

Lộ Vũ đưa tin từ Aofei Temple

QbitAI | Kênh chính thức QbitAI

Đến rồi đây! Lần này, mô hình đa phương thức "cây nhà lá vườn" đã thực sự tạo nên cú hích trong thế giới vật lý——

Trong 9 bài kiểm tra chuẩn mực quốc tế về hiểu không gian, mô hình này dẫn đầu áp đảo ở 8 hạng mục mà không hề làm giảm đi năng lực đa năng.

ZDTaichu5.0-9B, mô hình đa phương thức đa năng mã nguồn mở mới nhất của ZiDong TaiChu, đã trực tiếp nâng tầm trần năng lực không gian và hiện thân (embodiment) cho các mô hình dưới 10B lên một mức cao mới.

Có lẽ đến đây nhiều bạn sẽ thắc mắc: Tại sao việc giúp mô hình đa phương thức hiểu được thế giới thực lại đáng để nhắc đến riêng biệt như vậy?

Chỉ một từ: Khó!

Các mô hình đa phương thức trước đây đã có thể hiểu hình ảnh một cách rành mạch, nhưng một khi bước vào thế giới vật lý thực tế, khả năng hiểu không gian và hành động thường không theo kịp; trong khi đó, một số mô hình để bù đắp khả năng không gian lại buộc phải đánh đổi bằng năng lực đa năng.

Số lượng mô hình có thể thực hiện tốt cả hai việc này chỉ đếm trên đầu ngón tay, và những mô hình đạt hiệu quả vượt trội lại càng hiếm hoi hơn.

ZiDong TaiChu là một trong số đó, ZDTaichu5.0-9B xứng đáng được gọi là "toàn năng".

Trăm nghe không bằng một thấy, hãy cùng xem hiệu quả thực tế.

Link video: https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg

Đây là đoạn video trình diễn khả năng thu dọn dao rọc giấy bằng robot được điều khiển bởi ZDTaichu5.0-9B.

Nếu là con người làm, đây hẳn là một quy trình rất đơn giản: Kéo ngăn kéo ra → đặt vào → đóng lại. Nhưng với robot hiện thân (embodied AI), đằng sau chuỗi hành động đó là những phán đoán không gian vô cùng tỉ mỉ.

Cán dao ở đâu? Trạng thái ngăn kéo thế nào? Kẹp gắp đã căn chỉnh đúng chưa?

Mỗi bước đều phải tiếp nối những thay đổi từ bước trước đó thì hành động mới trông mượt mà. Đây là bài kiểm tra cực kỳ khắt khe đối với năng lực của mô hình, và ZDTaichu5.0-9B đã có thể hoàn thành việc hiểu không gian phức tạp cùng lập kế hoạch nhiệm vụ cấp cao.

Đồng thời, đối với một mô hình chỉ có quy mô 9B, khả năng hiểu văn bản hình ảnh, nhận dạng chữ viết, suy luận toán học và lập trình của nó vẫn giữ vững vị thế hàng đầu.

Năng lực đa năng không giảm sút, năng lực không gian hiện thân bứt phá vươn lên.

Rất tò mò, rốt cuộc họ đã làm điều đó như thế nào?

Dẫn đầu kép: Không gian hiện thân + Đa phương thức

Trước khi trả lời câu hỏi này, chúng ta hãy cùng xem thêm vài kết quả để cảm nhận rõ hơn.

Hãy bắt đầu bằng vài bài toán không gian hiện thân để "khởi động" trước.

Từ định vị mục tiêu trong video đến suy luận ba góc nhìn, phán đoán không gian vô cùng chính xác và sắc bén.

Bài toán đầu tiên "Tìm đồ vật": Từ trái sang phải, hãy tìm chiếc hộp màu bạc thứ hai.

Nhiệm vụ nhận thức không gian này là tiền đề quan trọng để robot thực hiện các nhiệm vụ tiếp theo. Nếu chỉ sai, thì dù hành động gắp sau đó có chính xác đến đâu, nó cũng chỉ đang thực hiện một nhiệm vụ khác.

Link video: https://mp.weixin.qq.com/s/aBak5FZaC6nhGpwkeL8hAg

△ Thực tế được thực hiện bởi ZiDong TaiChu

Trong khung hình, mặt bàn chật kín cốc, hộp đựng và đủ loại tạp vật, các yếu tố gây nhiễu khá nhiều. Mô hình phải đồng thời hiểu được thuộc tính then chốt là "màu bạc", đối tượng là "chiếc hộp", và mối quan hệ sắp xếp không gian "thứ hai từ trái sang phải".

Từ phần trình diễn so sánh, tọa độ chuẩn hóa (237, 226) mà ZDTaichu5.0-9B đưa ra là chính xác nhất, rơi đúng vào vùng mục tiêu đã đánh dấu.

Tiếp theo là nâng cấp độ khó, không chỉ cần tìm đúng mà còn phải nhìn chuẩn.

Đây là bài toán "Xem vị trí" đòi hỏi khả năng suy luận không gian phức tạp.