ZDTaichu5.0-9B آپریشن میں

ZDTaichu5.0-9B زی ڈونگ تائی چو کی جانب سے اوپن سورس کیا گیا نئی نسل کا عمومی ملٹی موڈل بڑا ماڈل ہے، جو طبعی دنیا اور مجسم ذہانت کے منظرناموں کے لیے تیار کیا گیا ہے۔ ماڈل نے نو بین الاقوامی مکانی بینچ مارکس میں یکساں پیرامیٹرز والے ماڈلز کے مقابلے میں عالمی سطح پر 8 پہلی پوزیشنیں حاصل کیں۔ MindCube-tiny پر اس نے 78.27 اسکور کیا، جو ہم پلہ ماڈلز سے واضح طور پر بہتر ہے؛ اسی دوران تصویر و متن، OCR، ریاضی اور کوڈنگ جیسی عمومی صلاحیتیں بھی اولین صف میں برقرار ہیں۔ ماڈل انکولی چکر دار استدلال کر سکتا ہے اور اینٹروپی گیٹنگ میکانزم کے ذریعے غیر یقینی Token پر اضافی چکر دار حساب انجام دیتا ہے۔ ماڈل کی تحقیقی تجربات اور صنعتی مینوفیکچرنگ کی حقیقی مشین کے کاموں میں توثیق ہو چکی ہے، جبکہ وزن اور تربیتی منصوبہ مکمل طور پر اوپن سورس ہیں۔

مکانی فہم اور استدلال: نو بین الاقوامی مکانی بینچ مارکس میں یکساں پیرامیٹرز والے ماڈلز کے مقابلے میں عالمی سطح پر 8 پہلی پوزیشنیں حاصل کیں، اور حوالہ جاتی نظام کی تبدیلی، سمت کے تعین جیسے پیچیدہ مکانی استدلال میں عمدہ کارکردگی دکھاتا ہے۔
عمومی ملٹی موڈل صلاحیتیں: تصویر و متن کی تفہیم، OCR، ریاضی اور کوڈنگ کی صلاحیتیں متوازن ہیں، جبکہ AI2D، OCRBench اور AIME2026 سمیت دیگر نتائج اولین صف میں ہیں۔
مجسم کاموں کی منصوبہ بندی: روبوٹ کے ”اعلیٰ سطحی دماغ“ کے طور پر ماحول کو سمجھنے، اشیا کی شناخت یاد رکھنے اور کام کے مراحل تقسیم کرنے کی ذمہ داری سنبھالتا ہے۔
تحقیقی تجربات میں معاونت: نقلی حساب اور گیلے تجربات کو مربوط کرتا ہے، Python/SciPy خودکار طور پر چلا کر سائنسی تجزیہ مکمل کرتا اور رپورٹ تیار کرتا ہے۔
صنعتی مینوفیکچرنگ کا نفاذ: مواد کی تیاری اور ترسیل، مشین پر اشیا کی لوڈنگ و ان لوڈنگ، اور ورک اسٹیشن کی ترتیب جیسے منظرناموں کا احاطہ کرتا ہے، نیز گھنی شیلفنگ، رکاوٹوں اور پیشگی شرائط جیسے حقیقی ورک اسٹیشن مسائل سے نمٹتا ہے۔

WeChat پر فالو کریں اور ”开源“ کا جواب بھیج کر AI اوپن سورس منصوبوں کے گروپ میں شامل ہوں
انکولی چکر دار استدلال: ماڈل ہر Token تیار کرتے وقت اینٹروپی گیٹنگ میکانزم سے پیش گوئی کی غیر یقینی کو جانچتا ہے۔ جتنا زیادہ امکانی پھیلاؤ ہو، اس مقام پر جزوی تہوں کے بلاکس کا حساب اتنے ہی چکروں میں دوبارہ کیا جاتا ہے، اور ہر چکر میں اندرونی نمائندگی درست کرنے کے بعد نتیجہ جاری کیا جاتا ہے؛ زیادہ یقین والے مقامات پر براہ راست نتیجہ جاری ہوتا ہے۔ یوں حسابی وسائل صرف ان مقامات پر خرچ ہوتے ہیں جہاں ماڈل ”یقین سے محروم“ ہو، اور بیرونی ٹولز پر انحصار نہیں ہوتا۔
استحکام کے تین میکانزم: چکر دار حساب سے نمائندگی کے بکھرنے کو روکنے کے لیے ہر دور کی اصلاح کی مقدار کو کنٹرول کرنے والا ڈیمپنگ اپ ڈیٹ شامل کیا گیا ہے، جس میں اصل نمائندگی کو حوالہ بنایا جاتا ہے؛ KL divergence اور مخفی حالت کے باقی ماندہ فرق پر مبنی دوہرا اختتامی معیار استعمال کیا جاتا ہے تاکہ معلوم ہو سکے کہ تکرار ہم آہنگ ہو گئی ہے یا نہیں؛ درمیانی حالت محفوظ رکھی جاتی ہے تاکہ متعدد نتائج میں سے کم خطرے والی نمائندگی منتخب کی جا سکے اور ضرورت پڑنے پر واپسی ممکن ہو۔
تدریجی ڈیٹا نصاب: تربیت مرحلہ وار آگے بڑھتی ہے۔ پری ٹریننگ میں تصویر و متن، ویب صفحات، متعدد زاویوں کی ویڈیو اور 3D نقلی ڈیٹا استعمال کیا جاتا ہے، جسے تکراری مواد ہٹانے اور معیار کی فلٹرنگ سے گزارا جاتا ہے؛ زیر نگرانی فائن ٹیوننگ میں حقیقی کاروباری سوال و جواب، مکانی مجسم مثالیں اور Agent ٹول کال کے ٹریس شامل کیے جاتے ہیں، جبکہ نمونوں میں تصاویر، اشیا کے تعلقات اور عملی پابندیوں کی مطابقت کی جانچ کی جاتی ہے؛ آخر میں طویل استدلال والے نمونوں سے اینیلنگ کی جاتی ہے اور GRPO ری انفورسمنٹ لرننگ کے ساتھ جواب کی درستگی، نقاط کے درست ہدف اور فارمیٹ کی پابندی جیسے خودکار طور پر جانچے جانے والے سگنلز کو انعام کے طور پر استعمال کیا جاتا ہے۔
طویل سلسلے والے کاموں کا بند لوپ: ماڈل کے اندرونی چکر صرف ایک قدم کے استدلال کو حل کرتے ہیں، جبکہ کام کی پیش رفت بیرونی تاثرات پر منحصر ہوتی ہے۔ ہر قدم کے بعد نئے منظر کے ذریعے ماحول کی حالت کی تصدیق کی جاتی ہے، جس سے ”ادراک—شناخت—عمل—تاثرات“ کا مسلسل بند لوپ قائم رہتا ہے۔

وزن حاصل کریں: Huggingface یا GitHub سے اوپن سورس وزن ڈاؤن لوڈ کریں۔
مقامی تعیناتی: ماڈل کو سنگل کارڈ صارف یا پیشہ ورانہ GPU پر لوڈ کریں (9B پیرامیٹرز، نسبتاً کم ویڈیو میموری درکار ہے)۔
ملٹی موڈل تعامل: تصویر اور متنی ہدایات داخل کرنے پر ماڈل سمت کے تعین، ہدف کے نقاط، رکھنے کے قابل مقامات جیسے مکانی استدلال کے نتائج دے سکتا ہے۔
روبوٹ نظام سے انضمام: اسے اعلیٰ سطحی منصوبہ بندی کے ماڈیول کے طور پر استعمال کرتے ہوئے نچلی سطح کے پکڑنے، نیویگیشن اور دیگر روبوٹ کنٹرول نظاموں سے مربوط کریں۔
مزید تربیت: وزن کے ساتھ فراہم کردہ ڈیٹا کی تیاری اور تربیتی منصوبے کو استعمال کرتے ہوئے اپنے منظرناموں کے ڈیٹا سے مزید فائن ٹیوننگ کریں۔

مکانی صلاحیت میں ہم پلہ ماڈلز سے آگے: نو بین الاقوامی مکانی بینچ مارکس میں نمایاں کارکردگی دکھاتے ہوئے، یکساں پیرامیٹرز والے عمومی گروپ میں عالمی سطح پر 8 پہلی پوزیشنیں حاصل کیں؛ MindCube-tiny پر ہم پلہ ماڈلز سے 15 سے زیادہ پوائنٹس آگے ہے۔
عمومی صلاحیتوں میں کمی نہیں: مکانی مجسم صلاحیت میں نمایاں پیش رفت کے ساتھ تصویر و متن، OCR، ریاضی اور کوڈنگ جیسی عمومی صلاحیتیں بھی اولین صف میں برقرار ہیں۔
انکولی چکر دار استدلال: اینٹروپی گیٹنگ میکانزم ماڈل کو صرف ”غیر یقینی“ Token پر اضافی حساب کرنے دیتا ہے، جس سے استدلال زیادہ درست اور اوسط لاگت قابل کنٹرول رہتی ہے۔
حقیقی مشین پر توثیق شدہ: تحقیقی تجربات (ٹیسٹ ٹیوب آپریشن، ڈراپر سے منتقلی) اور صنعتی مینوفیکچرنگ (لوڈنگ و ان لوڈنگ، ورک اسٹیشن کی ترتیب) کے حقیقی مشینی کاموں میں کامیابی سے چلایا جا چکا ہے۔
بڑے ماڈلز کے مقابلے میں نمایاں: متعدد مکانی بینچ مارکس میں Gemini 3 Pro سے 7% سے زیادہ برتری حاصل ہے، جبکہ کم پیرامیٹرز کی تعیناتی کی لاگت بند ماخذ بڑے ماڈلز سے کہیں کم ہے۔
مکمل طور پر اوپن سورس اور قابل تخصیص: وزن، ڈیٹا کی تیاری اور تربیتی منصوبے سب کھلے ہیں، اس لیے ڈویلپرز اپنے ڈیٹا سے مسلسل فائن ٹیوننگ کر کے اسے اپنے عملی ماحول کے مطابق ڈھال سکتے ہیں۔

منصوبے کی ویب سائٹ: https://taichu-ai.github.io/ZDTaichu5.0-9B
GitHub ذخیرہ: https://github.com/Taichu-AI/ZDTaichu5.0-9B
HuggingFace ماڈل ذخیرہ: https://huggingface.co/TaichuAI/ZDTaichu5.0-9B

صنعتی مینوفیکچرنگ: مواد کی تیاری اور ترسیل، مشین پر اشیا کی لوڈنگ و ان لوڈنگ کی جانچ، اور ورک اسٹیشن کی ترتیب؛ گھنی شیلفنگ میں سے ہدف کی شناخت، پکڑنے کی جگہ کا تعین، اور واپس آ کر یہ جانچنا کہ شے درست جگہ رکھی گئی ہے یا نہیں۔
تحقیقی تجربات کی خودکاری: خودکار تجرباتی پلیٹ فارم کے ”اعلیٰ سطحی آرکیسٹریشن دماغ“ کے طور پر ٹیسٹ ٹیوبز کو ترتیب سے رکھنا، ڈراپر کے ذریعے مائع منتقل کرنا جیسے متعدد نمونوں کے کام مکمل کرتا ہے، اور ساتھ ہی نمونوں کی شناخت، مکانی مقام اور کام کی پیش رفت پر نظر رکھتا ہے۔
سائنسی حساب میں معاونت: قدرتی زبان میں سائنسی سوال موصول ہونے کے بعد Python/SciPy خودکار طور پر چلا کر تجزیاتی اور عددی حل نکالتا، باہمی جانچ کرتا اور تجزیاتی رپورٹ تیار کرتا ہے، یوں نقلی حساب اور گیلے تجربات کو مربوط کرتا ہے۔
روبوٹ کی اعلیٰ سطحی منصوبہ بندی: مجسم ذہانت کے ”دماغ“ کے طور پر ماحول کو سمجھنے، اشیا کو یاد رکھنے اور مراحل تقسیم کرنے کی ذمہ داری سنبھالتا ہے، اور طویل سلسلے والے کام مکمل کرنے کے لیے نچلی سطح کے پکڑنے اور نیویگیشن کنٹرول نظاموں کے ساتھ تعاون کرتا ہے۔
ذہین گودام اور لاجسٹکس: ”تیسری قطار کا دوسرا میٹریل باکس اٹھائیں“ جیسے ورک آرڈرز پر کارروائی کرتا ہے، صفات کی وابستگی، مکانی ترتیب اور ہدف کی تعیین مکمل کرتا ہے، اور رکاوٹوں یا ہدف کے نظروں سے اوجھل ہو جانے جیسے حقیقی گودامی مسائل سے نمٹتا ہے۔