9项基准8项第一刷屏后,国产小模型的“榜单叙事”该降降温了
9项基准8项第一刷屏后,国产小模型的“榜单叙事”该降降温了
这几天,AI圈的朋友圈被一张图刷屏了。
一个只有9B参数——也就是“90亿参数”、在动辄几百上千亿的大模型圈里算小个子——的国产模型,在9项空间理解基准里拿下8项第一。不少群里已经开始传“9B干翻闭源巨头”“国产具身智能站起来了”。
这个模型叫紫东太初5.0-9B(ZDTaichu5.0-9B),来自中科院自动化所孵化的紫东太初团队,代码和权重全开源。
先说结论:这确实是个好东西,但它被传播的方式,值得泼一盆温水。
一、“八项第一”这四个字,定语被悄悄吃掉了
第一个细节:这8项第一,是同一量级里的第一。
发布方在榜单上写得清清楚楚——参比的是一批9B到10B级别的通用多模态模型。也就是说,它赢的是“轻量级组”,不是“全场总冠军”。
把闭源巨头拉进来一起排,9项里真正拿到全场最高的只有4项:跨视角空间一致性、多图空间推理、三维立方体推理、视频空间理解。
剩下几项,有的输给Gemini 3 Pro,有的输给GPT-5.2。比如最基础的2D空间感知(判断左右、远近、遮挡),它86.82分,被同门的Qwen3.5-9B以87.19分压了一头;在机器人“能不能抓、往哪抓”的抓取空间判断题上,它56分,Gemini是57.4分。
这不丢人。9B打赢一堆百亿千亿的模型,本身就是硬功夫。
但传播链条上,“9B级通用模型组第一”经过几手转发,就变成了“全球第一”。这不是模型的问题,是叙事的问题。
二、更值得冷静的:全班第一,但全班刚及格
第二个细节,藏在分数本身里。
我们习惯看“第几名”,却很少看“考了多少分”。
看几个关键项目的绝对分:
- 多图空间推理的天花板测试,它47.2分;
- 跨视角空间一致性,62.5分;
- 基础空间组合推理,51.82分;
- 机器人场景理解,48分。
满分都是100。
换成大白话:这是一场全班平均分不及格的考试,它考了第一名。
47.2分意味着什么?意味着把同一道空间题换个问法、换个视角,它有过半概率答错。让它判断“站在书桌旁朝柜子看,箱子在前还是在后”,它能答对;但这套能力离“机器人闭着眼睛在陌生客厅里搬东西”还差着好几条街。
空间智能是块真骨头。人类小孩三四岁就能绕着一把椅子转一圈,在脑子里把它翻个面;今天的顶尖模型,还在为“左和右”反复算。
所以真正该被记住的数字不是“8个第一”,而是“62.5分”。第一名是给团队的奖状,绝对分才是给行业的体检报告。
三、还有两个工程师才知道、但很关键的细节
第三个细节,在榜单底下的小字注脚里。
其一,做多图空间推理测试时,给模型的提示词里额外加了一条要求:先在心里推理,把过程写在特定标记里,最后把答案放进指定格式。
这听起来像技术细节,实际影响很大。同一个模型,会不会被“提醒着思考”,成绩能差出一截。 各家测的时候提不提示、怎么提示,并不统一。
其二,在智能体(能自己调工具干活的AI)测试里,模拟用户和“裁判”由另一个模型来扮演——这里用的是DeepSeek-V4-Flash。裁判换个人,分数就可能换个样子,这在AI评测圈是公开的秘密。
再加一个现实:这份榜单是发布方自己跑的。不是说数据造假,而是自己出题、自己监考、自己阅卷,天然会更懂自己的强项。
这就解释了一个反差:它在空间题上能压过Gemini 3 Pro,可一到通用视觉问答、OCR文字识别、百科知识题,又明显打不过同门的Qwen3.5-9B。知识类题目77.2分对82.5分,看图识字85.5分对89.2分。
它是一个典型的偏科生:空间和动手能力拔尖,背书和认字只是中上。
偏科不是缺点,前提是你别把它当全科学霸用。
四、那它真正值钱的地方在哪?榜单恰恰没写
说完了冷水,说点热的。
这个模型最狠的一招,不在任何一张表里,而在它“想事情”的方式上。
它用了一个叫“熵门控自适应循环推理”的机制。翻译成人话:做题时先扫一眼,简单的题一眼过,拿不准的地方就停下来多验算几遍。
就像老师傅看图纸,大部分地方扫过去就行,碰到一个模糊的尺寸标注,会皱眉盯上三秒再下结论。这种“按难度分配脑力”的做法,比无脑把所有题都想十遍要省算力得多——而省算力,恰恰是小模型能不能装进机器里的命门。
第二个真本事:它是真的能被塞进设备里。
整个模型权重差不多20GB。按这个体积推算,一张24GB显存的消费级显卡能勉强把权重装进去,但一跑长视频和12.8万字的超长上下文就会很紧张;真正舒服的是单张48GB的专业卡,或者云端租一张卡。
对比一下那些动辄要八卡并联的巨无霸,“一张卡就能跑”意味着它能进工厂产线、进机器人的机箱、进医院的本地服务器。数据不出门,活儿当场干。
第三个,也是最打动我的:任务闭环。
官方演示里有个场景——把汤罐头和奶酪盒放进篮子,松开夹爪,机械臂抬起撤离。这个模型调用工具26次就把活干完了。同一个初始现场,两个对手模型跑了40次,一个没把奶酪拿起来,一个中途跑去抓番茄酱了。
这就是榜单和现实的分水岭。榜单上差3分5分,看起来微不足道;现实里差的是“活干完了”和“活没干完”。
五、普通人想上手?先搞清楚它是给谁用的
先把期待值调好:这不是一个给你写周报、聊闲天、做PPT的聊天机器人。
它的主战场是看图纸、读仪表、理解三维空间、指挥机械臂、做多步任务规划。你拿它问“今天吃什么”,大概率不如手机里的免费助手好用。
想体验的话,官方项目页上有大量现成的一问一答对比演示:看平面图判断“厨房左边是哪间房”、看两张照片判断“我往哪个方向走了”、看八张室内照片判断“站在书桌前朝柜子看,箱子在哪边”。不用装任何东西,点开就能看它和对手模型同题作答的差别。
真要自己部署,门槛不算低但也不吓人:懂一点Python、有张像样的显卡、会跑Docker,基本就能起来。官方还专门适配了主流的推理服务框架,对外提供标准接口,接进现有系统不算折腾。
企业用户要特别注意一件事:它的许可证不是纯Apache 2.0。 模型权重走的是NVIDIA开放模型许可,底座语言模型走Apache 2.0。想商用,法务得先把条款过一遍,别等项目上线了才发现踩坑。
六、写在最后:降温,是为了让真本事浮上来
这几年我们见过太多“吊打GPT”“全面超越”的标题,也见过太多发布会开完就没了下文的模型。
紫东太初这个9B,在我看来是国产小模型里少见的“老实人”:它没有把自己包装成全能选手,而是老老实实选了一条难走的路——空间智能。这条路上没有捷径,也没有现成的海量数据,团队自己搭了数据生产管线,用1.28万亿个token、五个阶段慢慢喂,还拿三个视觉“老师”做蒸馏。
它拿到的成绩配得上掌声。但掌声之后,行业更该盯着的不是“第几名”,而是三个更硬的问题:
它能不能在真实产线上连续跑三个月不出岔子? 换个没见过的车间、没见过的户型,它还认不认路? 明年这个时候,那62.5分能涨到多少?
榜单是发令枪,不是终点线。把“八项第一”的喧嚣降下来,才能听见机器真正动起来的声音。
最后一个问题留给你:如果让你选,你更愿意要一个榜单上第一名、但干一半活就卡住的AI,还是一个榜单排第五、却每次都能把活干完的AI?
评论区聊聊,你被“榜单第一”坑过吗?