导语

阿里达摩院团队发布的 RynnBrain 1.1，延续了“让大模型真正进入机器人身体”的思路。它不是单纯把视觉语言模型搬到机器人上，而是尝试在训练阶段就把时空关系、物理约束和动作执行纳入统一框架，目标是让模型既能理解环境，又能为操作决策提供更直接的支撑。

核心要点

• 覆盖多种规模：RynnBrain 1.1 提供 2B、9B 和 122B-A10B 三档模型，方便在不同算力与应用场景中部署。
• 统一的具身建模：模型围绕具身感知、空间推理、定位和规划进行训练，强调时空信息与物理世界的结合。
• 更贴近操作任务：相较 RynnBrain 1.0，新版本引入了接触点预测，并为 2B 和 9B 版本加入原生 3D grounding，使输出更适合机器人抓取、接近和交互。
• RynnBrain-VLA 面向多本体：团队还构建了 RynnBrain-VLA，通过统一跨本体动作空间和本体特定 masking，适配 Unitree G1、Astribot-S1 和 Tianji-Wuji 等平台。
• 评测与实机验证：论文称，122B-A10B 在 VSI-Bench、MMSI 和 RefSpatial-Bench 上超过了评测中的开源与闭源模型；在真实机器人实验中，RynnBrain 初始化的策略也优于基于 Qwen 的方案和代表性的通用 VLA。

这意味着什么

这项工作的重要性在于，它把“具身智能”从单纯的多模态理解，推进到更强的物理对齐与动作可迁移能力。对于机器人来说，真正有价值的并不是文本回答是否流畅，而是模型是否知道该看哪里、碰哪里、如何规划动作路径，以及在不同机器人上是否还能保持稳定泛化。

从技术路线看，RynnBrain 1.1 的思路有两个值得注意的方向。第一，是把 3D grounding、接触点预测等任务前置到模型能力中，减少感知结果与执行动作之间的断层。第二，是通过多任务、多本体联合训练提升泛化，而不是为每个任务或平台单独训练一套策略。

不过，这类模型距离大规模落地仍有现实门槛：复杂环境中的鲁棒性、长时序任务的稳定性、以及不同机器人硬件之间的适配成本，都会影响最终效果。即便如此，RynnBrain 1.1 仍然说明，具身基础模型正在从“能看懂”走向“能操作”，而这正是机器人智能化真正需要跨过的一步。

来源链接：Hugging Face Daily Papers