想讓機器人春晚包餃子？阿里達摩院：別急，先把「大腦」優(yōu)化一下

編輯｜張倩

2026 年，那么多機器人上春晚，能給大家表演個包餃子嗎？相信這是很多人會好奇的一個問題。

但根據最近的彩排報道，這個可能性不大，機器人更有可能被設計為托著托盤呈上餃子。

其實業(yè)內人士都知道，如果不靠編程或搖操，讓機器人包餃子這事兒遠比移動、導航要復雜，還涉及到「餃子皮」這種堪稱機器人圖靈測試的柔性物體，沒有一個足夠聰明的「大腦」肯定是做不到的。這也是為什么，在過去的一年，越來越多的研究力量和資金開始涌向「大腦」

阿里達摩院最近的一項工作 ——RynnBrain也瞄準了這一方向。不過和一些表演疊衣服、做早餐的研究不同，他們關注的問題還要更底層一些：如果機器人在做家務的時候被打斷，臨時去門口接收快遞，它還能不能回來接著刷碗？如果機器人被要求完成一件需要借助很多工具的任務，它制定的計劃會不會包含手頭壓根沒有的工具？

在關于機器人的各種宏大敘事里，這些問題可能沒有那么起眼，甚至連相關的 benchmark 都是缺失的，但卻是機器人走出實驗室必須邁過的門檻。在 RynnBrain 的構建中，達摩院具身智能團隊選擇從底層出發(fā)，將時空記憶物理空間推理直接訓進模型里，并且達到了不錯的效果，在 16 項具身的 Benchmark 上實現了 SOTA

面對「三個面包、兩個盤子」的約束條件，模型能夠進行空間與長程規(guī)劃，推導出合理的分配方案，體現了其在受限物理條件下的規(guī)劃與推理能力。

在對雜亂桌面進行分揀規(guī)劃的過程中，機器人能夠在任務被打斷后，準確記住已完成的步驟并繼續(xù)執(zhí)行，展示了多任務交錯下的記憶與規(guī)劃能力。

達摩院還一口氣開源了 RynnBrain 全系列共計 7 個模型，其中包括RynnBrain-30B-A3B。這是業(yè)界首個 MoE 具身基礎模型，其只需要 3B 的推理激活參數就全面超越了當前規(guī)模最大的具身基礎模型 Palican-VL-72B。使用這個模型，可以讓機器人在保持最強大感知和規(guī)劃能力的基礎上擁有更加快速的動作響應和更加絲滑的行為模式。目前，包括模型權重、評測基準及完整訓推代碼在內的全套資源均已向社區(qū)開放。

• Github鏈接: https://github.com/alibaba-damo-academy/RynnBrain
• HuggingFace鏈接: https://huggingface.co/collections/Alibaba-DAMO-Academy/rynnbrain
• 項目主頁：https://alibaba-damo-academy.github.io/RynnBrain.github.io/

把大模型塞進機器人？

這事兒真沒那么簡單

關于具身大腦，業(yè)界流傳著一個有趣的調侃 ——「把 DeepSeek 等大模型放進宇樹不就行了」。當然，做過的人都知道這完全行不通。

本質上，在 2D 世界數據上訓練出的模型，在走進物理世界的時候面臨的是一個完全不同的環(huán)境

還是以機器人包餃子任務為例，在原來的 2D 世界里，頂尖的 VLM（視覺語言模型）早就能夠看懂包餃子的完整流程，模型的任務本質上是對靜態(tài)畫面做出理解，不需要與環(huán)境交互。而在真實的年夜飯廚房 —— 那個物品散落、空間逼仄的高熵戰(zhàn)場 —— 一個僅憑 VLM 語言、視覺經驗行事的機器人往往會顯得手足無措：比如機器人剛將餃子皮搟好、放上餡料、正準備捏合，但不小心碰倒了旁邊的調料瓶，想要拿抹布擦拭但眼前并沒有抹布，也想不起來放在哪兒，于是就卡住了。再比如，它「看到」桌上有餡料，便自信地規(guī)劃出「用挖餡勺取餡」的動作，卻對「挖餡勺沒有被拿上桌」這一關鍵缺失視而不見，最終導致任務失敗。

這些場景尖銳地揭示出當前通用大模型的局限：它們雖「見多識廣」，但在物理世界里往往是「紙上談兵」，缺乏連續(xù)的三維空間感，不懂真實的物理交互邏輯，更難以避免因脫離物理約束而產生的幻覺式規(guī)劃。

這正是達摩院推出 RynnBrain 所要解決的核心問題。他們的思路是通過系統(tǒng)性地引入時空記憶、物理空間推理等能力，將這個原本「飄在云端」的認知大腦，強行拽回物理世界。

從 RynnEC 到 RynnBrain

讓大模型長出「物理直覺」

讓大模型扎根物理世界不是一蹴而就的。在 RynnBrain 之前，達摩院還做過一項奠基性的研究 ——RynnEC。

簡單來說，RynnEC 就像給大模型賦予一雙「眼睛」。它可以精確回答關于物體（屬性、數量、功能、分割等）或空間（以自我為中心的世界感知 + 以世界為中心的尺度感知）的問題。比如在執(zhí)行「將平板電腦放到書架上」這個任務時，它會先思考「電腦有多寬，能不能放書架上不掉下來？」；而在伸手拿醬油之前，它會先算一下自己和醬油瓶之間的距離，判斷原地不動能不能夠得著。

圖源：RynnEC 論文。鏈接：https://arxiv.org/pdf/2508.14160

這雙「眼睛」所帶來的細粒度認知輸入，是連接高層規(guī)劃與底層控制的關鍵橋梁。而 RynnBrain 不僅完整地繼承了這些能力，還擴展出了多樣化的時空記憶以及物理空間推理能力。

先說時空記憶。這一能力的引入，直指當前具身大模型的「視野」痛點。現有的大腦模型往往只能解決當前視野（圖片）內的定位任務，一旦需要尋找的目標物體或關鍵點處于視野之外（比如前面提到的「抹布」），模型便無能為力。盡管業(yè)界存在一種通用的「暴力解法」，也就是把所有的歷史圖片重新過一遍模型來尋找目標，但在達摩院看來，這種方式割裂了時空，忽略了具身場景本質上是一個連續(xù)的、整體的三維世界。

因此，RynnBrain 選擇了一條更符合認知的路徑：它利用歷史記憶來幫助模型構建起一個更加完整的三維認知。這意味著，機器人的決策與理解不再受限于眼前的瞬間場景，而是能夠真正基于一個完備的三維世界模型進行全局考量。

在復雜的視頻變化與干擾下，模型能夠持續(xù)追蹤并識別被使用過的礦泉水，展示了對動態(tài)場景中物體的長期記憶與理解能力。

機器人在主要物體被移動后，仍能保持對其空間位置的記憶，并將物體準確放回原處，體現了穩(wěn)定的物體記憶與空間記憶能力。

那么，這種「類人」的全局時空回溯是如何實現的？其背后的核心在于涵蓋空間、位置、事件、軌跡等多維度信息的「統(tǒng)一表征」。

RynnBrain 擁有認知、定位、推理、規(guī)劃等多種能力

在復雜的具身交互中，機器人所面對的信息是高度異構的。傳統(tǒng)的模型往往難以兼容這些異構的信息，而 RynnBrain 的突破在于，它構建了一套統(tǒng)一的框架，將這些信息全部統(tǒng)一映射到模型的輸出空間里。這意味著，模型在「腦海」里處理的不再是割裂的視覺切片，而是將時間維度、空間坐標與語義理解融為一體，從而在底層邏輯上實現了對物理世界的精準「拿捏」。

RynnBrain 模型架構圖。

接下來看物理空間推理能力。在傳統(tǒng)的 VLM 中，推理主要發(fā)生在語言層面，并未被強制與具體的空間位置或物理狀態(tài)綁定。模型可能會生成看似完美的計劃，比如前面提到的「用挖餡勺取餡」，但實際上，它眼前并沒有挖餡勺，也不知道這個工具在哪里。這種「語義與空間解耦」的模式，是導致機器人產生「物理幻覺」的根源。于是，指令發(fā)出去了，任務卻完不成。

為了消除這種割裂，RynnBrain 采用了一種「文本與空間定位交錯」的推理策略。簡單來說，就是要求模型「邊說邊指」。在 RynnBrain 生成推理文本的過程中，每當涉及到具體的物理對象或位置時，它必須同步預測出對應的空間坐標或區(qū)域掩碼。這種強制性的約束，迫使模型在生成「拿起挖餡勺」這句話的同時，必須在像素級或三維坐標系中精準地標出那個挖餡勺。

通過這種機制，RynnBrain 將抽象的語言邏輯與具象的物理環(huán)境強力鎖定。這種扎根于物理世界的推理方式，極大地降低了任務執(zhí)行中的不確定性，讓每一個決策 Token 都有據可依。

從 SOTA 刷榜到下游實戰(zhàn)

一個「六邊形基座」的誕生

說了這么多，RynnBrain 到底表現如何？其實，如果只是拿現有的 Benchmark 去測，RynnBrain 的部分能力是很難測出來的，如時空定位、操作點識別等。目前的開源評測基準，普遍缺少對這些細粒度信息理解能力與時空定位能力的評估。

為了填補這一空白，達摩院推出了一個名叫 RynnBrain Bench 的新基準。這個基準涵蓋物體認知、空間認知、物體定位、具身點預測四大維度，共計 20 項具身相關任務。它和現有的其他 benchmark 一起，對模型能力提出了綜合考驗。

在這套嚴苛的「試卷」面前，RynnBrain 首先展現出了全面且扎實的基礎模型能力。其 8B 版本不僅在具身認知與定位任務上全面領先于 Gemini Robotics ER 1.5、Mimo-Embodied、RoboBrain 2.0、Pelican-VL、Cosmos-reason 2 等業(yè)內最先進的模型，在許多細分能力上甚至實現了 30% 以上的性能飛躍

RynnBrain 在 16 項具身評測上實現 SOTA

更難得的是，RynnBrain 在泛化性方面并沒有明顯的損失。我們知道，許多專門為機器人任務訓練的「具身大腦」模型，容易過擬合到特定任務上，導致其喪失作為通用大模型原有的強大能力（比如文檔理解、文本推理等）。而 RynnBrain 在取得具身任務 SOTA 的同時，繼承了基座模型（Qwen3-VL）通用視覺能力。

模型能夠理解用戶的飲食需求，結合常識判斷與中文 OCR 識別，從多個帶文字標簽的物品中篩選出符合條件的選項。

此外，其開源的 MOE 版本（RynnBrain-30B-A3B）讓機器人在保持最強感知與規(guī)劃能力的同時擁有更快的響應速度。它僅需 3B 的推理激活參數，就在各項指標上擊敗了當前規(guī)模最大的具身基礎模型 Pelican-VL-72B，真正實現了以小博大。

作為一個旨在賦能下游任務的基座，RynnBrain 還在后訓練階段爆發(fā)出了巨大的潛力

實驗數據表明，其預訓練成果對下游任務有顯著的加持作用：在導航任務中，僅作為基座進行微調（RynnBrain-Nav），就能比使用 Qwen3-VL 的模型能力提升 5%，且在不修改架構的情況下，導航成功率比當前的 SOTA 模型 StreamVLN 高出 2%-3%。

而在操作規(guī)劃方面，RynnBrain 展現了驚人的數據效率，僅需幾百條樣本微調，其 RynnBrain-Plan 模型就能具備強大的長周期規(guī)劃能力，無論是在域內還是域外任務上均全面超越了 Gemini 3 Pro。這種「一點就通」的特質，充分驗證了其獨創(chuàng)的「文本與定位交錯」推理方式比傳統(tǒng)模式更適應復雜多變的物理世界，其強泛化能力的保留使其能夠更快地遷移到所需場景。

至此，RynnBrain 不僅具備了系統(tǒng)性的認知架構，更補全了從「理解」到「行動」的關鍵環(huán)節(jié)，成為首個支持移動操作的具身基礎模型。

與其押注路線

不如先給行業(yè)「打地基」

關于機器人「大腦」該怎么做，業(yè)內其實一直沒有標準答案。達摩院的研究人員在交流中提到，當前的探索大致分成兩種思路：一種從動作出發(fā)，直接學習如何操作真實世界，這條路發(fā)展出了 VLA 模型，但問題也很現實 —— 高質量數據難找，泛化始終受限；另一種則試圖利用大模型本就擁有的泛化能力，希望先讓模型看懂世界，再談行動，但如何把這種理解準確對齊到真實、連續(xù)的物理空間，依然是繞不開的難點。

在這種背景下，達摩院沒有急著選邊站，而是選擇先把基礎能力補齊。RynnEC 負責打好對物理世界的感知與理解，RynnBrain 則在此之上繼續(xù)往時空記憶、空間推理和長程規(guī)劃推進。這些基礎打好之后，RynnBrain 既可以作為下游模型的「大腦」參與真實操作，也有機會通過后訓練直接演進為操作基座。這些能力被開源出來，也是希望社區(qū)能在同一套底座上繼續(xù)探索，而不是各自重復造輪子。

與此同時，達摩院也在并行推進以視覺為主導的 VLA 路線（如 RynnVLA），并通過 RCP 等系統(tǒng)級技術，把模型、數據和真實機器人連成一條完整鏈路，從「看見」到「決定」再到「動手」。

談及更遠的未來，達摩院透露，他們在思考一種更平臺化的方案，試圖在碎片化的硬件和算法生態(tài)之上，搭起一套更統(tǒng)一的具身智能基礎設施。畢竟，要解決具身智能這道世紀難題，需要的不是某一家機構的孤軍奮戰(zhàn)，而是整個開源社區(qū)的共同進化。

文中視頻鏈接：https://mp.weixin.qq.com/s/53UMfJL6VG-TAA4KJNv8Mg