16B统一具身大脑RynnUnify:交错视频-语言推理,Rynn-VP超Cosmos 3 Nano达9.75分
10月23日,论文《RynnUnify: Towards Unified Embodied Brain》提交至arXiv,提出一个16B参数的统一具身模型,通过交错视频-语言推理(interleaved video-language reasoning),把强具身理解与长程视觉规划装进同一个模型。论文开宗明义:这是迈向"统一具身大脑"的一步。
工程判断:具身模型版图上"看得懂"与"想得远"长期分属两条赛道——理解型模型读物理世界的空间关系与因果线索,规划型模型推演任务推进路径。把两者合并的技术难点不在参数量,而在表示空间能否共享。RynnUnify的赌注是:共享表示空间可以让规划获得理解的根基。

交错推理机制:三个能力维度
RynnUnify的核心机制是在视频与语言之间建立交错推理,能力横跨三个维度:空间推理——理解物体与环境的几何关系;物理预测——推断世界状态如何随动作变化;grounding——把语言指代锚定到具体视觉对象。
这套组合连接的是两端:一端是对物理世界的理解,另一端是对世界如何跨越连续子任务演化的视觉预判。传统理解模型能描述现场但没有想象力,规划模型会推演但看不懂现场;交错视频-语言推理让模型一边看、一边在表示空间里"播放"接下来的画面。
双基准:Rynn-VP与Rynn-GEU的量化证据

论文同步构建Rynn-VP与Rynn-GEU两个基准,分别面向长程视觉规划与预期推理(anticipatory reasoning)。评测结果:RynnUnify在Rynn-VP总体得分上较Cosmos 3 Nano高出9.75分,并在所有受评统一多模态模型中取得最高的平均具身理解得分——"看得懂"与"想得远"在同一模型上同时位居前列,这是统一架构说服力的直接证据。
agentic扩展通过强化学习让模型学会"何时调用想象":选择性使用视频预测来推理未观测状态与交互结果,而非盲目推理。该策略将Rynn-GEU平均得分较直接推理提高6.0分。
工程判断:知道何时该在脑内预演、何时直接作答,是一种需要训练的元能力。6.0分的增益说明推理算力的按需分配本身就能带来显著收益——这与大模型领域test-time compute的取舍逻辑同构。

三级台阶:从理解到控制的递进
论文的技术递进分三级。第一级,基座模型本身——理解与规划能力统一。第二级,agentic扩展——强化学习下的选择性视频预测。第三级,world-action扩展——把完整的理解与预测能力翻译成机器人控制。
第三级的实测数据:20个精选复合RoboCasa365任务上取得51.5%成功率;三个真机任务平均成功率46.7%。从仿真到真机的数字链,量出了统一具身大脑从"理解世界"走向"动手改变世界"的实际水位。
系列脉络:阿里达摩院Rynn路线的收敛

RynnUnify延续的是阿里达摩院Rynn具身模型系列路线——该系列此前已先后开源RynnVLA-001-7B、世界理解模型RynnEC与RynnBrain。RynnUnify的增量在"统一"二字:不再让理解、规划、控制各建一套模型,而是让16B参数里的同一个大脑既读懂物理世界、又预演演化、还接手上的动作。
先看自由度,再谈智能——对统一具身模型而言,这个"自由度"是功能版图的收敛度。当具身模型向单一权重收敛,竞争重心就从功能清单长度转向架构收敛度与数据闭环效率。统一具身大脑是否成立,交给下一个版本迭代的数字回答。
以上信息由AI整理发布