论文概述
RynnBrain 是由阿里巴巴达摩院（DAMO Academy）于 2026 年 2 月发布的开放具身基础模型系列。1 该工作旨在弥合多模态基础模型与物理世界具身智能之间的差距——传统 VLM 擅长被动观察，但缺乏对物理现实的深度理解和主动推理能力。
RynnBrain 的核心定位是物理现实锚定的具身基础模型，通过全面自我中心认知、精确时空定位和真实任务规划三大能力升级，实现物理感知的主动推理和复杂任务执行。
核心创新：物理空间推理
物理空间推理（Physical-Space Reasoning）是 RynnBrain 区别于普通多模态大模型的关键创新。该能力使模型能够：
- 文本与空间定位交叉推理：将语言描述与物理空间坐标对齐，实现「物体-位置-动作」的联合推理
- 物理约束感知：理解物体之间的物理关系（支撑、遮挡、接触等）
- 时序空间建模：追踪物体运动轨迹和空间状态变化
这一能力使得智能体能够在复杂环境中进行长时程任务规划，而非仅做单步指令响应。
四种专化变体
RynnBrain 提供了基座模型和四种后训练专化变体：
| 变体 | 用途 | 说明 |
|---|---|---|
| RynnBrain-Plan | 任务规划 | 操控规划，输出子任务序列 |
| RynnBrain-Nav | 导航 | 视觉语言导航，输出路径动作 |
| RynnBrain-CoP | 空间推理 | 上下文感知规划（Context-of-Planning） |
| RynnBrain-VLA | 视觉-语言-动作 | 端到端视觉语言动作模型 |
这些专化变体在基座模型基础上进行后训练（post-training），针对特定下游任务优化推理效率和执行精度。
架构设计
RynnBrain 采用标准的 VLM 架构，基于开源 LLM 扩展视觉编码器，支持：
- 多尺度视觉输入：兼容单帧图像和视频序列
- 动作空间建模：针对导航和操控的动作 token 输出
- 时空定位模块：集成坐标感知和物体追踪能力
架构设计强调可扩展性，基座模型支持多种规模部署。
开源资源
RynnBrain 采用 Apache 2.0 许可证全面开源：
| 资源 | 地址 |
|---|---|
| 论文 | arXiv:2602.14979 |
| GitHub | alibaba-damo-academy/RynnBrain |
| HuggingFace | Alibaba-DAMO-Academy/RynnBrain |
| ModelScope | DAMO_Academy/RynnBrain |
| 基准评测 | RynnBrain-Bench |
| 在线 Demo | HuggingFace Space |
模型权重
| 规模 | 类型 | 参数量 |
|---|---|---|
| 2B | Dense | 20 亿 |
| 8B | Dense | 80 亿 |
| 30B | MoE | 300 亿（激活约 30 亿） |
与同类方法对比
| 模型 | 机构 | 特点 | 许可 |
|---|---|---|---|
| RynnBrain | 阿里巴巴达摩院 | 物理空间推理 + 多专化变体 | Apache 2.0 |
| HY-Embodied-0.5 | 腾讯 Robotics X × 混元 | 多模态具身基础模型家族 | 部分开源 |
| Ψ₀ (Psi-Zero) | USC PSI Lab × NVIDIA | 人形机器人 loco-manipulation | 部分开源 |
RynnBrain 的差异化优势在于：
- 完全开源：模型权重、代码、评测基准均开放
- 物理空间推理：强调语言与空间的联合建模
- 专化变体生态：提供 Nav、Plan、CoP、VLA 等多种后训练变体
参考资源
- Dang R, Guo J, Hou B, et al. RynnBrain: Open Embodied Foundation Models. arXiv:2602.14979, 2026.
- RynnBrain 项目主页
- RynnBrain GitHub 仓库
Footnotes
-
Ronghao Dang*, Jiayan Guo*, Bohan Hou*, Sicong Leng*, Kehan Li*, Xin Li*, et al. RynnBrain: Open Embodied Foundation Models. arXiv:2602.14979, 2026. ↩