導入

RynnBrain 1.1 は、具身 AI を「画像や言語を理解するモデル」から「ロボットの行動に結びつくモデル」へ近づける試みです。単にマルチモーダルに対応するのではなく、時空間情報と物理的な制約を前提に学習し、知覚、空間推論、位置推定、計画を一体化しています。ロボット分野では、理解できることと実行できることの間に大きな溝がありますが、この研究はその溝を縮めることを狙っています。

主なポイント

• 複数スケールを展開: 2B、9B、122B-A10B のモデル群を用意し、用途や計算資源に応じた選択肢を提供。
• 操作に直結する表現: モデルファミリー全体で接触点予測を導入し、物体にどこで触れるかという操作上重要な情報を扱いやすくした。
• 3D grounding を強化: 2B と 9B ではネイティブな 3D grounding を搭載し、空間的な位置関係をより直接的に出力できるようにした。
• RynnBrain-VLA を開発: クロスエンボディメント向けの統一アクション空間と、ロボットごとの差異を吸収する masking を採用。Unitree G1、Astribot-S1、Tianji-Wuji に展開している。
• 評価結果: 論文では、122B-A10B が VSI-Bench、MMSI、RefSpatial-Bench で評価対象の商用・オープンソースモデルを上回ったとしている。また実機実験では、RynnBrain 初期化の方策が Qwen ベースや代表的な汎用 VLA を上回った。

何が重要か

この研究の価値は、具身モデルにおいて「見える」だけでなく「触れる」「動かせる」ことまで見据えている点にあります。ロボットにとって重要なのは、物体の名前を当てることではなく、どこに位置し、どこを掴み、どの順序で動作すべきかを判断することです。RynnBrain 1.1 は、その判断に必要な幾何情報と物理情報を、モデル設計の段階から取り込もうとしています。

また、複数のロボット本体にまたがる学習設計は実用上の意味が大きいです。現実の現場では、同じモデルを別のロボットへ移したい場面が多く、個別最適化だけでは運用コストが高くなります。クロスエンボディメントの考え方は、その移植性を高める方向として注目できます。

もちろん、ベンチマークで強いことと、複雑な環境で常に安定して動くことは同義ではありません。それでも、RynnBrain 1.1 は具身基盤モデルが「理解中心」から「行動中心」へ移っていることを示す一例であり、今後のロボット操作研究の方向性をよく表しています。

出典: Hugging Face Daily Papers