腾讯发布具身世界认知基座模型RxBrain，统一推理与视觉想象

7月15日，腾讯Robotics X实验室联合腾讯混元发布并开源两款具身智能基座模型：具身VLM基座模型Hy-Embodied-VLM-1.0和具身世界认知基座模型Hy-Embodied-RxBrain-1.0。前者基于混元A3B架构，以1/10计算量达到上一代旗舰模型性能；后者在单一模型中统一文本、图像、视频的理解与生成，实现语言推理与视觉目标想象的协同。

模型架构与能力

• Hy-Embodied-VLM-1.0：第二代具身VLM基座模型，从物理空间状态理解、动作-变化理解、时序和自适应推理三个层次构建能力，增强场景感知、行动分析规划、导航等。基于混元A3B开发，在37个评测任务上综合得分65.6，接近上一代A32B旗舰模型，显著优于同等规模竞品。
• Hy-Embodied-RxBrain-1.0：具身世界认知基座模型，采用模态路由的Mixture-of-Transformers架构，让语言推理与视觉目标想象围绕同一任务协同。语言负责任务分解、行动逻辑与约束；视觉目标图像描述每一步应达到的中间状态和最终状态，共同为下游动作模型提供更完整的条件。

训练数据与评测

• 训练数据：RxBrain基于超过5万小时高质量具身数据训练，包括第一视角数据、真实机器人数据和仿真数据，经质量筛选后构建约2.1亿条训练样本，覆盖四种粒度（连续动作状态想象、原子动作规划、高层子任务规划、最终目标状态想象）。
• 评测基准：团队构建RxBrain-Bench，包含具身VQA、世界状态预测和联合子目标规划三个递进任务。在联合规划任务上，RxBrain取得0.68综合规划得分，优于模块化方案（如Cosmos3-Nano的0.521）。真机三项操作任务平均成功率87%，超过π0与π0.5。

开源与影响

两个模型均已开源，开发者可在GitHub和Hugging Face下载部署。此次发布为具身智能领域提供了新的基础模型支撑，有望推动机器人从“感知-行动”向“认知-推理-规划”的范式升级。