9 月 15 日，紫东太初正式开源 ZDTaichu5.0-9B。

相比一次模型版本更新，这次开源更值得关注的，是一个面向物理世界的通用多模态模型，究竟具备怎样的能力。

过去，多模态模型的 "看懂" 更多发生在数字世界：识别一张图片中的物体、理解一段视频的内容、回答关于画面的提问。但当 AI 真正进入机器人、智能制造和科研自动化等物理场景，仅仅知道 "画面里有什么" 远远不够。

机器人真正需要知道的，是物体在哪里、彼此是什么关系、从不同视角看是否还是同一个物体、环境正在发生什么变化、下一步应该做什么，以及自己的动作会带来什么结果。

这意味着，多模态模型进入物理世界后，能力评价的标准正在发生变化：

从 "看见"，走向 "理解空间"；从 "理解空间"，走向 "推演变化"；再从 "推演变化"，走向 "指导行动"。

ZDTaichu5.0-9B 所做的，正是沿着这条能力链路，把多模态能力进一步向空间智能和具身智能延伸。

对于物理世界而言，视觉信息从来不是平面的。

一张照片里同时存在距离、方向、遮挡、尺度、前后关系以及观察视角。人类看到一个桌面，可以迅速判断杯子在电脑左侧、椅子在桌子后方，也可以想象自己移动到另一侧之后，这些物体在视野中的位置会如何变化。

但对于传统视觉模型而言，"识别物体" 和 "理解物体之间的空间关系" 并不是同一件事。

ZDTaichu5.0-9B 进一步强化的，就是这种面向真实环境的空间理解能力。

模型不仅能够识别 "是什么"，还需要进一步回答：

"在哪里？"" 距离多远？""谁在谁的前后左右？"" 从另一个视角看会发生什么？"

这也是 ZDTaichu5.0-9B 空间能力的第一层。

从单张图像中的空间关系判断，到多图之间的空间对应，再到不同观察视角下的关系推演，模型需要建立的已经不是简单的视觉特征匹配，而是对现实环境形成更加稳定的空间表征。

在九项国际空间理解基准评测中，ZDTaichu5.0-9B 取得 8 项通用模型组别第一。更重要的是，这些评测背后对应的并不是单一的 "识图能力"，而是模型对位置、关系、深度、视角等物理信息的综合理解。

模型开始从 "看到物体"，走向 "理解物体所处的空间"。

这也是它进入具身智能的第一道门槛。

真正复杂的物理场景，不会永远停留在一个固定视角。

机器人在真实环境中不断移动，摄像头的位置会变化，目标会被遮挡，物体之间的相对位置也会随着观察角度发生改变。

因此，空间具身智能更核心的问题不是：

"这一张图里有什么？"

而是：

"如果我换一个位置看，这个世界还是怎样的？"

这要求模型具备跨视角的空间推理能力。

ZDTaichu5.0-9B 面向单图、多图以及长时序视频进行统一处理，可以将不同视觉输入中的空间信息进行关联，并进一步完成视角转换、空间关系判断以及三维结构推演。

这意味着，模型处理的对象不再只是孤立的一张图片，而是一个具有位置、结构和关系的空间。

例如，在多视角场景中，同一个物体可能在不同画面中呈现完全不同的视觉特征；在存在遮挡的情况下，模型需要结合已有信息判断物体之间潜在的空间关系；面对视角变化，还需要推断观察者位置改变后，场景会呈现怎样的变化。

这些能力共同指向一个更重要的变化：

模型开始建立对 "世界结构" 的理解，而不仅仅是在图像中寻找答案。

这也是空间具身智能与传统视觉理解之间最重要的区别之一。

如果说静态空间理解解决的是 "世界是什么样"，那么真实的具身任务还需要回答另一个问题：

世界正在发生什么变化？

机器人面对的从来不是一张静止的图片。

人走过来，物体被拿起，机械臂开始运动，生产线上的零件不断移动，实验设备状态发生变化 —— 物理世界始终处于动态过程中。

因此，一个真正服务于具身智能的模型，需要具备对连续视觉信息的理解能力。

ZDTaichu5.0-9B 支持长时序视频输入，可以从连续画面中识别环境变化，并将不同时间点的信息联系起来。

这意味着模型处理的不再只是：

"现在看到了什么？"

而是进一步理解：

"刚才发生了什么？"" 现在发生了什么？""接下来可能发生什么？"

这种从静态理解走向动态理解的能力，是模型进入真实物理环境的重要一步。

因为机器人真正需要的，从来不是一张图片的答案，而是随着环境变化不断更新自己的判断。

具身智能真正困难的地方，还不是让模型 "看懂"。

而是：

看懂之后，能不能做出正确的下一步判断？

例如，机器人面对一个操作任务，模型首先需要识别环境和目标，然后判断目标与周围物体之间的空间关系，再结合任务要求确定执行顺序。

这实际上形成了一条完整的能力链：

视觉感知 → 空间理解 → 任务推理 → 行动规划。

ZDTaichu5.0-9B 进一步将空间理解与任务指令结合，使模型能够在理解环境的基础上进行具身条件推理，并输出面向后续执行的任务决策。

这意味着，模型的输出不再局限于 "这是一个杯子"" 杯子在桌子上 " 这样的描述，而可以进一步进入：

"目标在哪里 → 当前环境是什么状态 → 任务要求是什么 → 应该先做什么 → 下一步如何执行" 这样的决策链路。

这也是为什么空间智能对于具身智能如此关键。

机器人真正缺少的，并不只是一个更大的视觉识别器，而是一个能够把视觉信息、空间关系、任务目标和行动逻辑连接起来的智能中枢。

模型能力最终需要进入真实环境，而真实环境又会不断产生新的数据、新的问题和新的反馈。

因此，具身智能真正需要解决的，是一个持续循环：

模型理解世界 → 进入真实场景 → 产生任务与反馈 → 数据回流 → 模型继续进化。

这也是此次开源同步开放空间多模态数据生产管线方案的意义所在。

紫东太初并没有只交付一个已经训练完成的模型权重，而是进一步开放从数据处理、样本构建到训练调优的一整套生产流程详细方案。

其中包括数据去重、质量筛选、空间能力标签、样本合成、多维一致性校验，以及预训练、SFT、高质量退火、GRPO 等训练环节。

对于产业而言，这意味着模型能力并不是一个只能被调用的 "黑盒"。

企业可以将自身的真机数据、生产数据和场景数据重新输入这套体系，针对具体任务进行训练和优化。

模型负责提供能力起点，真实场景负责不断提出新问题，而数据管线与训练体系则负责把这些问题重新变成模型能力。

这才是具身智能真正能够持续迭代的基础。

ZDTaichu5.0-9B 的开源，因此不应该只被理解为 "又一个 9B 模型"。

它更值得关注的，是紫东太初正在把多年原生多模态技术积累，进一步延伸到物理世界。

从识别图像中的物体，到理解物体之间的空间关系；

从理解静态场景，到理解动态变化；

从回答视觉问题，到结合任务进行推理；

再到进入真实设备，完成感知、决策与行动之间的连接。

这条路径背后，是一个越来越清晰的方向：

让 AI 不止看懂世界，而是真正理解世界中的空间、变化与行动。

而模型开源，只是这套能力开始进入更大范围产业验证的起点。

未来，紫东太初还将持续围绕空间感知、三维推理、动态环境理解、具身决策以及真机闭环等能力进行探索和验证，让 ZDTaichu5.0-9B 的能力从模型评测走向真实世界，在更多机器人、科研自动化和智能制造场景中接受检验。

（来源：中科紫东太初）