alibaba-damo-academy/RynnBrain

解決的問題

RynnBrain 1.1 的設計目標是建立更具能力且可泛化的具身基礎模型。它彌補了高階視覺-語言理解與機器人物理執行任務之間的差距，使機器人能更佳理解三維空間、識別互動點，並將指令轉化為現實世界的動作。

工作原理

採用統一的僅解碼器視覺-語言架構，提供三種規模（2B、9B 和 122B-A10B）。模型處理全向視覺輸入與語言指令，產生對齊的輸出，例如文字、指向序列、3D感知資料與接觸信號。透過 RynnBrain-VLA，將這些理解轉化為適用於各種機器人平台的控制信號，實現感知與行動的橋接。

適用對象

本專案適用於從事具身智能研究與開發的機器人研究人員與開發者，特別是那些正在建構面向人形、雙手及靈巧手機器人的視覺-語言-行動（VLA）模型的人員。

主要亮點

• 統一擴展性：提供從 2B 到 122B 稀疏 MoE 模型的多種規模，用於研究具身認知隨規模演化的規律。
• 3D 與接觸點定位：原生支援 3D 界定框預測與與動作相關的接觸點預測，提升互動精準度。
• 真實機器人遷移能力：在 Unitree G1 與 Astribot 等不同機器人硬體之間展現強大的跨平台泛化能力。
• 全面能力支援：包含空間理解、物件定位、可操作性位置識別與軌跡推論的完整手冊。