关键要点
- 紫东太初（Zidong Taichu）是由中科院自动化所（CAS Institute of Automation）与武汉人工智能研究院联合开发的多模态大模型（large model）。
- 4.0 版本于 2025 年 9 月 19 日在东湖国际人工智能峰会上发布，开发者称其为全球首个"深度推理+多模态"融合模型。
- 该系列自 2021 年 7 月 1.0 发布以来已迭代四次，当时它被打造成全球首个千亿参数多模态大模型（large model）。
- 4.0 引入了"边看、边识、边思"的循环：它能在推理过程中裁剪、缩放、旋转并定位图像中的区域，而不是先做完这些再推理。
- 团队已开源 ZDTaichu5.0-9B 这个 90 亿参数检查点，而更早的多模态模型曾在 2022 年获得 WAIC SAIL 奖。
从感知到推理
这个项目起步时是一个跨模态平台，而非聊天机器人。1.0 版本于 2021 年 7 月在世界人工智能大会上展示，把文本、图像与语音合进单一模型，并被称为首个千亿参数多模态大模型（large model）。2.0 版本在 2023 年描述为在"全模态"旗号下加入了 3D、视频与传感器信号模态，并构建于国产硬件栈之上。到 2025 年 9 月发布的 4.0，重点已从"感知世界"转向"对世界进行推理"。
这项工作由王金桥（Wang Jinqiao）领衔，他是中科院自动化所研究员、武汉人工智能研究院院长。该模型背后的中心于 2022 年作为该所的独立研究单元成立，把这项努力定位为政府支持但由研究驱动的计划，而非商业产品发布。
"边看边想"意味着什么
4.0 的发布描述了三阶段演进：纯文本思考、简单的图像锚定思考，再到细粒度的多模态交错思考。关键跃迁在于，模型在推理链中直接对视觉内容动手——翻译、缩放、旋转、定位、增强或重建图像的某个区域——而不是先描述一张图，再对描述做推理。
开发者用具体任务演示这一点。在视频理解上，他们引用了在一段 180 分钟长视频中精确定位某个片段并做总结的能力。在音频理解上，一句"我想挂呼吸科"的口语请求被展示为触发一个应用操作，根据症状选对科室。这些是团队自己的演示场景，但说明了设计目标：一个像人处理真实任务那样跨模态规划与行动的模型。
开源那一块
除旗舰外，团队开源了 ZDTaichu5.0-9B 这个 90 亿参数检查点，给外部开发者一个更小、可部署、可上手的入口。更早的多模态模型在 2022 年摘得 WAIC SAIL 奖——该会议顶级研究荣誉之一——这在此前就为这条产品线建立了信誉。
发布会还推出了紫东太初云（Zidong Taichu Cloud），主办方称其为首个多模态大模型原生协同云，以及首个全栈国产化（full-stack domestic）的万卡智能算力云。在 4.0 活动上，28 家企业签约成为生态伙伴；该院报告已与超过 1000 家企业建立合作，在数十个行业落地约 60 个应用案例。
为何在中国模型版图上重要
公众讨论的推理模型（reasoning model）大多集中在擅长数学与代码的纯文本系统。紫东太初主张另一条轴：与视觉、音频、信号始终融合的推理。这种取向呼应了中国的产业优先项——智能制造、智慧医疗、自动驾驶与低空经济——这些场景里，模型必须解读摄像头画面或传感器流，而不只是一句提示词。
"全栈国产化"的提法在一个算力与工具自主可控是明确政策目标的市场里同样要紧。一个多模态推理模型，配上国产来源的训练与推理云，被定位为受监管或对主权敏感部署的纵向一体化选项。
诚实的局限
- 最强的性能说法，包括与具名前沿模型的对比，来自开发者与武汉某区政府发布稿；我未找到独立的面对面基准报告，因此把能力说法视为团队自述并保留定性。
- 4.0 的发布与伙伴数字来自该院官网与一份地方政府通告；伙伴数量与应用数量是主办方自报，未经独立审计。
- 除开源的 9B 检查点外，我未独立核实 4.0 确切的参数规模或训练数据量；这些细节在我能确认的来源中未公开。
- 本文聚焦多模态推理方向，未深入涵盖该团队的具身或智能体专项工作。
普通人现在能做什么
1. 如果你在做视觉或音频锚定的智能体，先在一项困难的图像锚定推理任务（比如长视频片段定位）上测一测开源的 ZDTaichu5.0-9B 检查点，再假定纯文本模型能胜任。
2. 如果你需要面向中国托管、国产来源的多模态栈来跑受监管或主权敏感的工作负载，留意紫东太初云（Zidong Taichu Cloud）这套全栈国产化（full-stack domestic）算力方案。
3. 把开发者演示与证据分开：评估任何多模态推理模型时，跑你自己的任务套件，而不是引用发布阶段的对比。