腾讯发布具身多模态基础模型 RxBrain
jacek2023 · reddit · 2026-07-15
这个 HF 页面介绍了腾讯的 **Hy-Embodied-RxBrain-1.0**，一个面向**具身认知**的统一多模态基础模型。 ### 它能做什么 - **具身理解与推理**：对图像和多帧视频做问答与链式推理。 - **世界状态预测**：根据动作想象物理世界里接下来会出现的画面。 - **联合子目标规划**：把任务拆成步骤，并为每一步同时输出“下一步动作”和“目标图像”。 ### 架构要点 - 采用**交错生成**：在同一个自回归序列里交替生成文本推理和想象帧。 - 用一个 `<Image>` token 决定何时进入“想象”阶段。 - 主干是约 **6.2B** 参数的统一 **Mixture-of-Transformers (MoT)**。 - 图像想象部分通过 **flow-matching image head** 解码到冻结的 **FLUX VAE** latent 空间。 ### 作者强调的设计思路 它不是把理解、生成和规划拆成多个独立塔，而是试图让“说什么”和“世界应该长什么样”在同一序列里耦合起来。