[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-art-97239":3},{"itemId":4,"vertical":5,"category":6,"source":7,"score":8,"title":9,"summary":10,"analysis":11,"url":12,"coverUrl":13,"direction":13,"marketSignal":13,"publishedAt":14},"97239","ai","论文研究","HuggingFace Daily Papers",58,"RynnBrain 1.1：更强能力与泛化性的具身基础模型","发布RynnBrain 1.1具身基础模型系列，引入接触点预测和原生3D定位，提升机器人的感知与规划能力。","RynnBrain 1.1发布2B、9B、122B-A10B三规模具身基础模型，统一时空与物理框架，在具身认知、定位和3D接地任务上超越所有评估的闭源和开源模型。\n· 相比1.0版本，新增跨模型家族的接触点预测，以及2B和9B模型的原生3D接地能力，使表征和输出更直接对齐机器人操作。\n· 开发RynnBrain-VLA，具备统一跨本体动作空间和本体特定掩码，并部署在Unitree G1、Astribot-S1和天机无极上。\n· 122B-A10B模型在VSI-Bench、MMSI和RefSpatial-Bench上超越所有评估的闭源和开源模型。\n· 真实机器人实验表明，RynnBrain初始化的策略优于基于Qwen和代表性通用VLA的策略，联合多任务和多本体训练相比单任务训练提升了过程分数和成功率。\n影响\u002F看点：RynnBrain 1.1通过统一框架和跨本体训练，显著提升了具身基础模型的能力和泛化性，为机器人操作提供了更强大的基础模型。","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.17977",null,"2026-07-20 08:00:00"]