Problem

現有的具身智慧模型在處理複雜物理環境、精確空間定位以及跨不同硬體平台的動作對齊時，往往面臨感知與實際操控無法有效銜接的困境，難以在多樣化的機器人平台上實現通用的泛化能力。

Method

研究團隊開發了涵蓋 2B、9B 及 122B 參數規模的 RynnBrain 1.1 系列模型，採用統一的時空與物理紮根框架。新版本引入了接觸點預測與原生 3D 定位技術，並透過 RynnBrain-VLA 建立統一的跨具身動作空間，實現跨硬體的動作遮蔽訓練。

Results

122B 模型在 VSI-Bench、MMSI 等多項基準測試中超越了目前所有的開源與商業模型。在 Unitree G1 與 Astribot-S1 等機器人的實機測試中，經由 RynnBrain 初始化的策略表現優於 Qwen 系列模型，且多任務聯合訓練顯著提升了執行成功率。

Significance

這項研究證明了大型預訓練模型能有效整合空間感知與物理操控，為開發具備高度泛化性、能適應多樣化硬體架構的通用機器人智慧系統提供了具備實踐價值的技術路徑。