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。
「具身」频道最新
- 用户用 Claude Code 拆解本田车机：发现 root 后门与静默装 APK — IndraVahan · 2026-10-26
- Temple 健康设备开启预售，用户质疑：未见实效前谁愿戴 — abhishekcode42 · 2026-10-26
- FLASH 仿真框架：单卡 RTX 5090 上分钟级学会布料折叠 — ChongZzZhang · 2026-10-26
- Luke Wroblewski 细节控：iPhone Duo 圆角复刻初代 iPhone — LukeW · 2026-10-26
- 人形机器人两年跑赢人类：半马破纪录、百米超博尔特 — ben_j_todd · 2026-10-26
- 人形机器人每一步都是连续纠偏：看 demo 要看摔倒后怎么恢复 — Olivier__OG · 2026-10-26