现在的多模态模型看图已经很成熟，一张照片里有什么、谁在谁的左边，基本都答得上来。
但只要多绕一个弯，情况就不一样了。
比如给它几张同一个房间的照片，问它如果站到窗边、面向沙发，柜子会在哪个方向。
这种要在脑子里换个视角的题，连顶级的闭源大模型，在专门的评测里也只能答对一半。
而想让大模型走出屏幕，去指挥机器人、实验台、产线设备干活，这恰恰是绕不开的基本功。
前不久，紫东太初团队开源了一个专门面向物理世界的通用多模态大模型：ZDTaichu5.0-9B。
参数量仅 9B，支持单图、多图、长视频等多种输入，任意分辨率的图像也能直接丢给它。
重要的是，它拥有一种空间具身能力，就是既看懂空间关系，又要能据此判断下一步怎么操作。
今天我把它的技术 Blog 和开源仓库翻了一翻，最让我意外的是下面这组成绩。
在 ViewSpatial、MMSI-Bench、MindCube-tiny 三项复杂空间推理基准上，这个 9B 的开源模型，分数超过了 Gemini 3 Pro、Grok 4 和 GPT-5.2。
小参数模型在特定能力上追平甚至超过闭源大模型，如今空间具身理解也成了一个新的例子。
下面跟大家讲讲它的空间具身能力强在哪，通用能力有没有掉，以及背后是怎么做到的。
九项基准，八项同级第一
先看成绩单，在九项国际空间理解基准里，ZDTaichu5.0-9B 有八项拿到了同参数通用模型组的第一。
参与对比的是 Qwen3.5-9B、STEP3-VL-10B 和 gemma4-8B-E4B 这三个同级别的开源模型。
其中拉开差距最大的有两项，一个是考复杂三维推演的 MindCube-tiny，它拿到了 78.27 分。
同一项测试里 Qwen3.5-9B 是 57.60，STEP3-VL-10B 是 62.81。
另一个是考跨视角理解的 ViewSpatial，它拿到 62.50，另外两家分别是 48.20 和 46.14。
唯一没拿到第一的是 CV-Bench，86.82 对 Qwen3.5-9B 的 87.19，只差了 0.37 分。
光看分数可能没什么感觉，官方 Blog 里放了一批对比案例，我挑两个直观的给大家看看。
第一个是立方体折叠题，给一张六种颜色的立方体展开图，问折起来之后从某个角度能同时看到哪三个面。
结果 ZDTaichu5.0-9B 选对了 C，而 Qwen3.5-9B 和 STEP3-VL-10B 都选了 A。
第二个案例是换个位置认方向，给出的是同一个房间的三个视角。
要求模型想象自己站到窗帘的位置、面向沙发，再判断柜子在自己的哪个方向。
ZDTaichu5.0-9B 答出了右前方，另外两个模型都发生了参照系错乱，把方向答错了。
这其实就是开头说的那个老问题，移动机器人挪两步、摄像头转一下，就分不清左右了。
通用能力，没有被牺牲
专门去练空间具身能力，行业里常见的代价是图文理解、OCR、数学这些通用能力往下掉。
我翻了下仓库的 README，ZDTaichu5.0-9B 是在 Qwen3.5-9B 语言骨干和 NVIDIA C-RADIOv4-H 视觉编码器之上训练的。
把空间具身能力练上去之后，它的通用榜单成绩仍然留在同级的第一梯队。
比如图表理解 AI2D 拿到 91.48，视觉数学 WeMath 是 75.9，文字识别 OCRBench 是 85.5。
Agent 和文本这边也没落下，指令遵循 IFEval 拿到 93.7，代码能力 LiveCodeBench v6 是 73.4。
还有代表通用 Agent 的 TAU2-Bench 指标也拿到 87.7 分，这个值说明工具在调用和多步任务表现方面也不错。
数据生产管线方案公开，难题多算几轮
我挺好奇一个 9B 的模型是怎么做到的各项能力都这么好的，总结下来主要靠两件事。
第一件是数据工程，这里发现训练空间具身模型，最费劲的其实不在模型结构，而在数据。
ZDTaichu5.0-9B 的训练分成预训练、监督微调、高质量退火和 GRPO 强化学习几个阶段，数据总量约 1.28T tokens。
到了强化学习阶段，答案对不对、空间坐标有没有命中、输出格式合不合规，都被做成了可以自动校验的奖励信号。
目前市场上大部分开源模型只是开放权重，而这次紫东太初把整套数据生产管线的详细方案也一起公开了。
对手里有工业、仿真、实验数据的团队来说，这是一份可以拿来参照的训练工艺。
第二件是自适应循环推理，这个运行在模型的内部，不依赖外部的思维链。
模型每输出一个 token，都会先估一下自己的有多大把握。
肯定的直接输出，遇到视角变换、物体关系判断这类拿不准的，就会在内部多算几轮再给答案。
这样设计就能把算力向难题倾斜，让推理成本也能得到控制，不会被拉高。
关于这部分的实现，感兴趣的朋友，可以到仓库的recurrent_reasoning/目录下翻看相关代码。
模型虽小，但也接得住真实场景
说到底，前面提及到榜单分数还是纸面成绩，还得看真实的物理世界里那种一环扣一环的长任务。
在官方给的演示案例里，有个让我印象挺深的，它让机器人把一把剪刀收进到上层的抽屉里。
看着简单，但这里面藏着不少难度，抽屉没打开就不能直接放，刀悬在开口上方也不算放进去。
每一步都有新画面进来，模型要及时更新当前的状态和做出下一步的动作判断，而不是照着固定的计划做下去。
除此之外，团队还在两类真实场景里做了验证，一类是科研自动化。
模型能一边调用 Python 做仿真计算，一边在湿实验里跟踪每支试管的身份和任务进度。
另一类是智能制造，给它一句「将红架上的篮筐放到传送带上」的工单，它能规划出取件、搬运、放置的完整流程。
不过该说的边界也说一下，ZDTaichu5.0-9B 的定位是负责高层规划的大脑。
它管的是理解指令、识别环境、拆解步骤，底层的运动控制和设备安全逻辑，仍然由硬件的控制系统负责。
也就是说，它并不是一个端到端的机器人控制系统。
写在最后
再说回开头那组成绩，一个 9B 体量的开源模型，在空间具身推理上赢过了几家闭源大模型。
在我看来，这件事对行业的影响，远比评测的分数要更大一些。
过去做机器人、自动化、产线智能化的团队，要么调用闭源 API，要么自己从零训练一个懂空间的模型。
现在有 ZDTaichu5.0-9B，这个通用能力不差、空间具身能力突出的开源基座，二次开发的门槛被打下来了。
再加上数据生产管线的详细方案也公开了，手里有现场数据的团队，可以按这套方案进行微调训练自己的模型。
据此，我的判断是，具身智能的大脑不一定非要超大参数的模型来做。
物理世界的更看重部署成本和响应速度，专门训练过空间具身能力的小模型，更有优势。
过去几年，大模型学会了看懂图片，接下来要学会在物理场景里，看懂该如何操作了。
而紫东太初在这条路上，算是抢先给国内其他团队打了个样，提前交出了一份开源答卷。
GitHub 项目地址：https://github.com/Taichu-AI/ZDTaichu5.0-9B
技术 Blog：https://taichu-ai.github.io/ZDTaichu5.0-9B
Hugging Face：https://huggingface.co/TaichuAI/ZDTaichu5.0-9B
ModelScope：https://www.modelscope.cn/models/TaichuAI/ZDTaichu5.0-9B
今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！