HarmonyOS के लिए Tencent Yuanbao एप्लिकेशन Hunyuan Hy4 के प्रीव्यू के साथ जारी किया गया

TaichuAI कंपनी ने ZDTaichu5.0-9B मॉडल को सार्वजनिक रूप से उपलब्ध कराया है। यह मल्टीमॉडल फाउंडेशन मॉडल लगभग 9 अरब मापदंडों का है और सामान्य दृश्य समझ, स्थानिक तर्क, एजेंट टूल के उपयोग और एम्बोडीड एआई में अनुसंधान के लिए डिज़ाइन किया गया है।

मॉडल की वास्तुकला Qwen3.5-9B भाषा बैकबोन को C-RADIOv4-H दृष्टि एन्कोडर के साथ जोड़ती है। मॉडल पाठ के साथ-साथ किसी भी रिज़ॉल्यूशन की एक या अधिक छवियों और वीडियो को इनपुट के रूप में स्वीकार करता है, जो 128 हजार टोकन तक के संदर्भ की लंबाई का समर्थन करता है। TMTPost द्वारा 15 सितंबर को प्रकाशित इस प्रकाशन में वास्तविक दुनिया में स्थान की धारणा, विभिन्न दृश्यों के बीच रूपांतरण और एम्बोडीड सिस्टम के लिए कार्य योजना पर ध्यान केंद्रित किया गया था।

मॉडल के सार्वजनिक कार्ड के अनुसार, TaichuAI व्यापक दृश्य कार्यों की एक विस्तृत श्रृंखला में लगभग 10-बिलियन सामान्य VLM के बीच उत्कृष्ट परिणाम प्रदर्शित करता है, साथ ही स्थानिक, एम्बोडीड और एजेंट परिदृश्यों में अपनी क्षमताओं का विस्तार करता है। स्थान और एम्बोडमेंट के क्षेत्र में उल्लेखनीय मेट्रिक्स में ViewSpatial 62.50, MMSI-Bench 47.20, MindCube-tiny 78.27, ERQA 48.00 और RoboSpatial 56.00 शामिल हैं।

एजेंट और निर्देश सेटों के संबंध में, मूल्यांकन कार्ड पर नोट्स में बताए गए TAU2-Bench 87.70 का स्कोर प्राप्त करता है, जबकि Claw-Eval का औसत स्कोर 71.40 है, और IFEval 93.70 दिखाता है। एंट्रॉपी-प्राथमिकता वाले अनुकूली पुनरावर्ती तर्क तंत्र का वर्णन एक ऐसे तंत्र के रूप में किया जाता है जो अधिक जटिल टोकन के लिए लेटेंट वेरिएबल्स के अतिरिक्त परिशोधन चरणों को उजागर करता है।

मॉडल की क्षमताएं ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) और दस्तावेज़ समझ, छवियों पर गणित, सूक्ष्म द्वि-आयामी संबंधों, कई दृश्यों के जुड़ाव, त्रि-आयामी दृश्यों और परिप्रेक्ष्य की धारणा, और लंबी संदर्भ विंडो के भीतर कई छवियों और वीडियो को ट्रैक करने, जिसमें बहु-चरणीय टूल उपयोग की योजना बनाना शामिल है, तक फैली हुई हैं। हालांकि, उपकरणों का वास्तविक निष्पादन होस्ट एप्लिकेशन की जिम्मेदारी बनी रहती है।

कार्ड पर सूचीबद्ध स्थानिक शिक्षण विषयों में सापेक्ष संबंध, सघन गणना और फ्रेम, कैमरा गति और गहराई का क्रमबद्धीकरण, ईगोसेंट्रिक बनाम एलोसेंट्रिक दृश्य, और VLA शैली में अनुकूलन के लिए उच्च-स्तरीय क्षमता निर्धारण और कार्रवाई योजना शामिल है।

मॉडल के वज़न Hugging Face पर TaichuAI/ZDTaichu5.0-9B पर NVIDIA ओपन मॉडल लाइसेंस के तहत रखे गए हैं, जबकि Qwen3.5 के Apache-2.0 नोटिस बरकरार रहते हैं। सेवा के लिए कस्टम vLLM 0.26.0 शाखा और OpenAI के साथ संगत एंडपॉइंट प्रदान करने के लिए TaichuAI का Docker इमेज उपयोग किया जाता है, जिसमें स्थानिक लगाव और सामान्य कार्यों के लिए अनुशंसित नमूनाकरण सेटिंग्स होती हैं।

अन्य विक्रेताओं द्वारा प्रस्तुत मॉडलों के समान, बाहरी प्रयोगशालाओं को बेंचमार्क मेट्रिक्स को स्वतंत्र पुनरुत्पादन के परिणामों के सामने निर्दिष्ट प्रॉम्प्ट और जजों के साथ घोषित माना जाना चाहिए। हालांकि, मध्यम आकार के ओपन मल्टीमॉडल चेकपॉइंट, स्थान और एजेंटों पर जोर, और तैयार vLLM पैकेजिंग का संयोजन शोधकर्ताओं को मूल्यांकन के लिए एक ठोस कलाकृति प्रदान करता है।

शंघाई स्थित स्टार्टअप EBKernel ने 2026 में पुजियान इनोवेशन फोरम के तहत मस्तिष्क से प्रेरित एम्बोडीड इंटेलिजेंस सत्र में Cog-WM 1.0 प्रस्तुत किया। कंपनी इस रिलीज़ को पिक्सेल पुनर्निर्माण के बजाय लेटेंट स्पेस में पूर्वानुमान पर निर्मित एक संज्ञानात्मक विश्व मॉडल के रूप में प्रस्तुत करती है।

कंपनी के बयान के अनुसार, यह आर्किटेक्चर मानव संज्ञानात्मक मानचित्रों से संगठनात्मक अवधारणाओं को उधार लेता है, जैसे कि चयनात्मक मेमोरी अपडेट, लक्ष्य-प्रेरित एन्कोडिंग और कई क्षितिजों पर पूर्वानुमान। ये विचार JEPA शैली के संयुक्त एम्बेडिंग उद्देश्य फ़ंक्शन के साथ संयुक्त होते हैं, जिससे रोबोट कच्चे फ्रेम के पुनर्निर्माण के बजाय अमूर्त स्थानिक और स्थितिगत विशेषताओं का उपयोग करके योजना बना सकते हैं।

नेविगेशन के संबंध में, Cog-WM Nav 1.0 मॉडल को पूर्व-निर्मित मानचित्र का उपयोग किए बिना परखा गया। HM3D-ObjectNav के एक उपसमूह पर, EBKernel ने नेचर कम्युनिकेशंस में प्रकाशित बेसलाइन BSC-Nav की तुलना में सफलता दर को 78.50% से बढ़ाकर 86.89% बताया। यह 8.39 अंकों की पूर्ण वृद्धि (लगभग 10.7% सापेक्ष) का प्रतिनिधित्व करता है, और SPL मीट्रिक 47.70 से बढ़कर 48.35 हो गया।

नेविगेशनल घटक स्पष्ट स्थानिक स्मृति को बनाए रखता है और लेटेंट स्पेस में अन्वेषण के लिए उप-लक्ष्यों का पूर्वानुमान लगाता है। फिर यह लक्ष्य अर्थशास्त्र और पथ लागत के बीच संतुलन बनाता है, जो विशेष रूप से उपयोगी होता है जब लक्ष्य वर्तमान दृश्य क्षेत्र से बाहर होता है और रोबोट को यह तय करना होता है कि आगे कहाँ देखना है।

मैनिपुलेशन शाखा, Cog-WM Manip 1.0, बहु-पैमाने पर स्थिति और मूल्य-मॉड्यूलेटेड अनुभव का पूर्वानुमान सिखाती है, जो छोटी अवधि में कार्यों के प्रभावों और लंबी अवधि में कार्य प्रगति के बीच संबंध प्रदान करती है। एक ही पुनरुत्पादन प्रोटोकॉल का उपयोग करते हुए, EBKernel का दावा है कि मॉडल जटिल RoboTwin 2.0 सेटिंग्स सहित तीन मुख्य मैनीपुलेशन डेटासेट पर बड़े पैमाने पर पूर्व-प्रशिक्षित बेसलाइन मॉडल pi0.5 से लगभग 16% बेहतर प्रदर्शन करता है।

LIBERO-Plus पर घटकों के प्रभाव के विश्लेषण ने योगात्मक प्रभाव दिखाया: नीति स्वयं लगभग 80% तक पहुंच गई, स्थानीय पूर्वानुमान 81.6% तक, मल्टी-हॉराइजन पूर्वानुमान 82.0% तक, और पूरी प्रणाली 84.6% तक।

कंपनी तैनाती क्षमताओं की घोषणा करती है जो पहियों वाले ह्यूमनॉइड्स और चार पैरों वाले जानवरों को मानचित्र रहित नेविगेशन, मार्ग योजना, स्थानिक-अस्थायी स्मृति निष्कर्षण, स्थानिक प्रश्नोत्तर (QA) और वस्तु खोज के लिए कवर करती है। मैनीपुलेशन का परीक्षण पहियों वाले ह्यूमनॉइड निकायों पर किया गया था, और चार पैरों वाले जानवरों के नेविगेशन को निरीक्षण या गश्त के लिए ग्राहक वस्तुओं पर चिह्नित किया गया था।

EBKernel, जिसकी स्थापना 2025 के मध्य में हुई थी, उत्पाद के बारे में एक थीसिस को आगे बढ़ाती है जिसमें कम डेटा आवश्यकता और उच्च सामान्यीकरण क्षमता के साथ आजीवन शिक्षण शामिल है। हालांकि, बाहरी दीर्घायु के स्वतंत्र मेट्रिक्स और लंबी दूरी पर फील्ड परिणाम अभी भी कंपनी के आंतरिक बेंचमार्क की सीमित सीमाओं के भीतर हैं, इसलिए प्रयोगशालाओं को तीसरे पक्ष के काम के आने तक तुलना के लिए प्रकाशित SR मेट्रिक्स और मैनीपुलेशन में परिवर्तनों को मुख्य सेट के रूप में देखने की सलाह दी जाती है।