2021 年 7 月，中国科学院自动化研究所在世界人工智能大会上展示了名为“小初”的虚拟主持人。紫东太初平台能够联通图像、语音与文本，在同一项研究计划中开展视频描述、图像检索和问答。研究的目标，是让这些不同形式的信息协同发挥作用。[1]

五年后，这项计划的最新公开版本提出了一个更贴近物理世界的问题：物体在哪里，接下来会发生哪些变化？2026 年 9 月 15 日发布的 ZDTaichu5.0-9B，着眼于空间理解，以及服务于机器人和科研自动化的规划能力。[5] 项目延续至今的过程值得关注：实验室逐步调整多模态模型需要理解的内容，也随之改变达成目标所用的技术手段。

名称背后的研究部门

紫东太初隶属中国科学院自动化研究所，其专门的研究中心于 2022 年成为独立建制的研究部门。研究所介绍，该中心的研究范围覆盖视觉、语言、模式识别及相关应用，目标是建立面向复杂环境的共性人工智能平台。[2]

这样的组织安排，有助于理解项目何以持续。对于一项长期研究计划，发布模型只是其中一类成果，同样属于成果的还有培养出的研究人员、部署方法和合作关系。沿着版本号梳理紫东太初时，也需要看到将这些工作连在一起的研究机构。

早期公开的代码仓库，让最初的技术思路变得具体。它的 OPT 架构为各个模态分别设置编码器，另设一个跨模态编码器和两个跨模态解码器。训练目标分布在 token、模态和样本三个层级。也就是说，系统既要从每类输入中学到有用的表征，也要学习不同输入之间的联系。[3]

仓库还记录了当时的工程环境：华为昇腾硬件、CANN 5.0.4 和 MindSpore 1.6.1。这些历史环境要求属于当年的发布版本，与当前模型的安装指南应分开看待。仓库说明将公开代码对应的十亿参数量级模型，与项目宣布的更大规模模型作了区分。[3] 从项目早期开始，研究发布所强调的成果，与其他团队能够实际运行的代码和模型，就需要分别考察。

输入中纳入更多现实世界的信息

到 2023 年 6 月 16 日发布 2.0 版本时，研究所已明确将输入从图像、语音和文本扩展至视频、信号和三维点云。报道介绍了音乐、场景分析和三维环境导航等演示，也列出了昇腾基础设施和武汉人工智能计算中心在研发中的参与。[4]

这项变化分量很重，因为理解一个房间与生成一段图像描述，面对的是不同的问题。描述一把椅子之后，还要判断它是否挡住通道；识别出两件物体之后，还要判断哪件伸手可及。这些例子只用于说明空间推理的研究动机，2023 年演示的能力范围仍以当年的报道为限。

当时，研究所的介绍已经将多模态研究与物理设备的应用联系起来。[4] 此后工作中贯穿的一个问题是：模型要表征当前状况中的多少信息，其输出才能对另一个系统有用？

规模较小的新版本，沿用已有组件的能力

2026 年的模型卡把模型组成交代得格外清楚：语言主干采用 Qwen3.5-9B，视觉编码器采用 C-RADIOv4-H，输入包括文本、图像和视频。[6] 项目历代宣传的模态范围，与这个特定模型检查点的原生输入范围，需要区分开来。

对实验室而言，这套架构提示了另一种研究重心。已有的语言和视觉组件可以作为起点，研究贡献则可以体现在组件之间的连接、训练材料的选择，以及空间判断能力的改进上。这一解读依据的是已公布的设计，不能据此认定团队自行重建了每个组件。

团队公布的结果呈现了潜力，也显示出表现上的差异。模型卡报告，ZDTaichu5.0-9B 在 ViewSpatial 上得分为 62.50，Qwen3.5-9B 为 48.20；在 CV-Bench 上则略低，分别为 86.82 和 87.19。这些都是开发团队自行报告的基准成绩。多图像空间测试所列的提示词，要求模型给出中间推理过程，并将最终答案放在方框内。这组成绩初步反映了模型在该评测条件下的空间能力提升，机器人任务完成率仍需另行测量。[6]

实验室能够交给别人的成果

研究所 9 月的公告强调，随模型一同分享的还有空间数据生产流程，从材料清洗和筛选，到标注、微调和强化学习。[5] 对研究机构而言，这是一项重要的目标：其他实验室的摄像头视角和设备，会与已发布模型检查点训练时所用的材料存在差异。

项目页面更具体地介绍了训练顺序：从广泛的视觉与语言对齐，逐步转向更长的上下文、复杂指令，再通过核验答案、空间定位和输出格式开展强化学习。[7] 公开训练方案，有助于说明这些能力预期如何迁移到其他团队的工作中。至于其他团队是否已经复现整套流程，还需要另外的证据。

同一页面明确注明，成对展示的 LIBERO 机器人操作演示，均为挑选出来的单次运行。每组对比中的模型使用相同的初始状态和其他测试条件，但少数成功操作所能说明的范围有限，工厂或实验室中的整体可靠性仍待检验。[7] 下一步有价值的证据，应来自陌生布置下的反复试验，包括抓取出错或环境变化之后如何恢复操作。

模型卡还划定了一项重要的职责：配套应用必须负责工具执行，并验证执行结果。[6] 模型给出的空间判断，还要转化为经过授权的动作，系统也要观察动作是否奏效。

对紫东太初而言，这项长期研究计划的下一阶段因此格外值得关注。实验室的工作已从联通描述世界的不同方式，逐步走向表征在世界中采取行动所需的条件。接下来要看，外部团队能否将这种理解能力适配到自己的设备上，并报告可重复的结果。届时，这项研究计划便会从发布现场走进其他团队的日常工作。

来源

1. 中国科学院自动化研究所，《多模态大模型：探索通向通用人工智能之路》，2021 年 7 月 9 日——最初发布时的中文报道、小初演示及活动资料照片。
2. 中国科学院自动化研究所，《紫东太初大模型研究中心》——机构介绍及研究中心于 2022 年成立的情况；查阅于 2026 年 10 月 15 日。
3. MindSpore AI，“ZiDong-Taichu / OPT”公开代码仓库——早期架构、当时的昇腾及 MindSpore 环境，以及所发布代码的范围。
4. 中国科学院自动化研究所，《紫东太初全模态大模型正式发布》，2023 年 6 月 16 日——2.0 版本演示、扩展后的模态及算力合作方。
5. 中国科学院自动化研究所，《紫东太初 ZDTaichu5.0 9B 开放发布：帮助 AI 理解三维物理世界》，2026 年 9 月 28 日——9 月 15 日的发布日期、空间能力重点及数据流程共享的相关说明。
6. TaichuAI，“ZDTaichu5.0-9B”官方模型卡——模型组件、输入模态、基准成绩及提示词条件，以及应用对工具执行所负的责任；查阅于 2026 年 10 月 15 日。
7. ZDTaichu 团队，《ZDTaichu5.0-9B：从视觉理解到空间智能》官方项目页面——训练阶段，以及页面对精选 LIBERO 对比演示所作的限定；查阅于 2026 年 10 月 15 日。