想讓機(jī)器人春晚包餃子？阿里達(dá)摩院：別急，先把「大腦」優(yōu)化一下

編輯｜張倩

2026 年，那么多機(jī)器人上春晚，能給大家表演個(gè)包餃子嗎？相信這是很多人會(huì)好奇的一個(gè)問(wèn)題。

但根據(jù)最近的彩排報(bào)道，這個(gè)可能性不大，機(jī)器人更有可能被設(shè)計(jì)為托著托盤(pán)呈上餃子。

其實(shí)業(yè)內(nèi)人士都知道，如果不靠編程或搖操，讓機(jī)器人包餃子這事兒遠(yuǎn)比移動(dòng)、導(dǎo)航要復(fù)雜，還涉及到「餃子皮」這種堪稱(chēng)機(jī)器人圖靈測(cè)試的柔性物體，沒(méi)有一個(gè)足夠聰明的「大腦」肯定是做不到的。這也是為什么，在過(guò)去的一年，越來(lái)越多的研究力量和資金開(kāi)始涌向「大腦」

阿里達(dá)摩院最近的一項(xiàng)工作 ——RynnBrain也瞄準(zhǔn)了這一方向。不過(guò)和一些表演疊衣服、做早餐的研究不同，他們關(guān)注的問(wèn)題還要更底層一些：如果機(jī)器人在做家務(wù)的時(shí)候被打斷，臨時(shí)去門(mén)口接收快遞，它還能不能回來(lái)接著刷碗？如果機(jī)器人被要求完成一件需要借助很多工具的任務(wù)，它制定的計(jì)劃會(huì)不會(huì)包含手頭壓根沒(méi)有的工具？

在關(guān)于機(jī)器人的各種宏大敘事里，這些問(wèn)題可能沒(méi)有那么起眼，甚至連相關(guān)的 benchmark 都是缺失的，但卻是機(jī)器人走出實(shí)驗(yàn)室必須邁過(guò)的門(mén)檻。在 RynnBrain 的構(gòu)建中，達(dá)摩院具身智能團(tuán)隊(duì)選擇從底層出發(fā)，將時(shí)空記憶物理空間推理直接訓(xùn)進(jìn)模型里，并且達(dá)到了不錯(cuò)的效果，在 16 項(xiàng)具身的 Benchmark 上實(shí)現(xiàn)了 SOTA

面對(duì)「三個(gè)面包、兩個(gè)盤(pán)子」的約束條件，模型能夠進(jìn)行空間與長(zhǎng)程規(guī)劃，推導(dǎo)出合理的分配方案，體現(xiàn)了其在受限物理?xiàng)l件下的規(guī)劃與推理能力。

在對(duì)雜亂桌面進(jìn)行分揀規(guī)劃的過(guò)程中，機(jī)器人能夠在任務(wù)被打斷后，準(zhǔn)確記住已完成的步驟并繼續(xù)執(zhí)行，展示了多任務(wù)交錯(cuò)下的記憶與規(guī)劃能力。

達(dá)摩院還一口氣開(kāi)源了 RynnBrain 全系列共計(jì) 7 個(gè)模型，其中包括RynnBrain-30B-A3B。這是業(yè)界首個(gè) MoE 具身基礎(chǔ)模型，其只需要 3B 的推理激活參數(shù)就全面超越了當(dāng)前規(guī)模最大的具身基礎(chǔ)模型 Palican-VL-72B。使用這個(gè)模型，可以讓機(jī)器人在保持最強(qiáng)大感知和規(guī)劃能力的基礎(chǔ)上擁有更加快速的動(dòng)作響應(yīng)和更加絲滑的行為模式。目前，包括模型權(quán)重、評(píng)測(cè)基準(zhǔn)及完整訓(xùn)推代碼在內(nèi)的全套資源均已向社區(qū)開(kāi)放。

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

把大模型塞進(jìn)機(jī)器人？

這事兒真沒(méi)那么簡(jiǎn)單

關(guān)于具身大腦，業(yè)界流傳著一個(gè)有趣的調(diào)侃 ——「把 DeepSeek 等大模型放進(jìn)宇樹(shù)不就行了」。當(dāng)然，做過(guò)的人都知道這完全行不通。

本質(zhì)上，在 2D 世界數(shù)據(jù)上訓(xùn)練出的模型，在走進(jìn)物理世界的時(shí)候面臨的是一個(gè)完全不同的環(huán)境

還是以機(jī)器人包餃子任務(wù)為例，在原來(lái)的 2D 世界里，頂尖的 VLM（視覺(jué)語(yǔ)言模型）早就能夠看懂包餃子的完整流程，模型的任務(wù)本質(zhì)上是對(duì)靜態(tài)畫(huà)面做出理解，不需要與環(huán)境交互。而在真實(shí)的年夜飯廚房 —— 那個(gè)物品散落、空間逼仄的高熵戰(zhàn)場(chǎng) —— 一個(gè)僅憑 VLM 語(yǔ)言、視覺(jué)經(jīng)驗(yàn)行事的機(jī)器人往往會(huì)顯得手足無(wú)措：比如機(jī)器人剛將餃子皮搟好、放上餡料、正準(zhǔn)備捏合，但不小心碰倒了旁邊的調(diào)料瓶，想要拿抹布擦拭但眼前并沒(méi)有抹布，也想不起來(lái)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(dòng)作，卻對(duì)「挖餡勺沒(méi)有被拿上桌」這一關(guān)鍵缺失視而不見(jiàn)，最終導(dǎo)致任務(wù)失敗。

這些場(chǎng)景尖銳地揭示出當(dāng)前通用大模型的局限：它們雖「見(jiàn)多識(shí)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(shí)的物理交互邏輯，更難以避免因脫離物理約束而產(chǎn)生的幻覺(jué)式規(guī)劃。

這正是達(dá)摩院推出 RynnBrain 所要解決的核心問(wèn)題。他們的思路是通過(guò)系統(tǒng)性地引入時(shí)空記憶、物理空間推理等能力，將這個(gè)原本「飄在云端」的認(rèn)知大腦，強(qiáng)行拽回物理世界。

從 RynnEC 到 RynnBrain

讓大模型長(zhǎng)出「物理直覺(jué)」

讓大模型扎根物理世界不是一蹴而就的。在 RynnBrain 之前，達(dá)摩院還做過(guò)一項(xiàng)奠基性的研究 ——RynnEC。

簡(jiǎn)單來(lái)說(shuō)，RynnEC 就像給大模型賦予一雙「眼睛」。它可以精確回答關(guān)于物體（屬性、數(shù)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(wèn)題。比如在執(zhí)行「將平板電腦放到書(shū)架上」這個(gè)任務(wù)時(shí)，它會(huì)先思考「電腦有多寬，能不能放書(shū)架上不掉下來(lái)？」；而在伸手拿醬油之前，它會(huì)先算一下自己和醬油瓶之間的距離，判斷原地不動(dòng)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(lái)的細(xì)粒度認(rèn)知輸入，是連接高層規(guī)劃與底層控制的關(guān)鍵橋梁。而 RynnBrain 不僅完整地繼承了這些能力，還擴(kuò)展出了多樣化的時(shí)空記憶以及物理空間推理能力。

先說(shuō)時(shí)空記憶。這一能力的引入，直指當(dāng)前具身大模型的「視野」痛點(diǎn)?，F(xiàn)有的大腦模型往往只能解決當(dāng)前視野（圖片）內(nèi)的定位任務(wù)，一旦需要尋找的目標(biāo)物體或關(guān)鍵點(diǎn)處于視野之外（比如前面提到的「抹布」），模型便無(wú)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(guò)一遍模型來(lái)尋找目標(biāo)，但在達(dá)摩院看來(lái)，這種方式割裂了時(shí)空，忽略了具身場(chǎng)景本質(zhì)上是一個(gè)連續(xù)的、整體的三維世界。

因此，RynnBrain 選擇了一條更符合認(rèn)知的路徑：它利用歷史記憶來(lái)幫助模型構(gòu)建起一個(gè)更加完整的三維認(rèn)知。這意味著，機(jī)器人的決策與理解不再受限于眼前的瞬間場(chǎng)景，而是能夠真正基于一個(gè)完備的三維世界模型進(jìn)行全局考量。

在復(fù)雜的視頻變化與干擾下，模型能夠持續(xù)追蹤并識(shí)別被使用過(guò)的礦泉水，展示了對(duì)動(dòng)態(tài)場(chǎng)景中物體的長(zhǎng)期記憶與理解能力。

機(jī)器人在主要物體被移動(dòng)后，仍能保持對(duì)其空間位置的記憶，并將物體準(zhǔn)確放回原處，體現(xiàn)了穩(wěn)定的物體記憶與空間記憶能力。

那么，這種「類(lèi)人」的全局時(shí)空回溯是如何實(shí)現(xiàn)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(rèn)知、定位、推理、規(guī)劃等多種能力

在復(fù)雜的具身交互中，機(jī)器人所面對(duì)的信息是高度異構(gòu)的。傳統(tǒng)的模型往往難以兼容這些異構(gòu)的信息，而 RynnBrain 的突破在于，它構(gòu)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?！估锾幚淼牟辉偈歉盍训囊曈X(jué)切片，而是將時(shí)間維度、空間坐標(biāo)與語(yǔ)義理解融為一體，從而在底層邏輯上實(shí)現(xiàn)了對(duì)物理世界的精準(zhǔn)「拿捏」。

RynnBrain 模型架構(gòu)圖。

接下來(lái)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(yǔ)言層面，并未被強(qiáng)制與具體的空間位置或物理狀態(tài)綁定。模型可能會(huì)生成看似完美的計(jì)劃，比如前面提到的「用挖餡勺取餡」，但實(shí)際上，它眼前并沒(méi)有挖餡勺，也不知道這個(gè)工具在哪里。這種「語(yǔ)義與空間解耦」的模式，是導(dǎo)致機(jī)器人產(chǎn)生「物理幻覺(jué)」的根源。于是，指令發(fā)出去了，任務(wù)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(cuò)」的推理策略。簡(jiǎn)單來(lái)說(shuō)，就是要求模型「邊說(shuō)邊指」。在 RynnBrain 生成推理文本的過(guò)程中，每當(dāng)涉及到具體的物理對(duì)象或位置時(shí)，它必須同步預(yù)測(cè)出對(duì)應(yīng)的空間坐標(biāo)或區(qū)域掩碼。這種強(qiáng)制性的約束，迫使模型在生成「拿起挖餡勺」這句話(huà)的同時(shí)，必須在像素級(jí)或三維坐標(biāo)系中精準(zhǔn)地標(biāo)出那個(gè)挖餡勺。

通過(guò)這種機(jī)制，RynnBrain 將抽象的語(yǔ)言邏輯與具象的物理環(huán)境強(qiáng)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(wù)執(zhí)行中的不確定性，讓每一個(gè)決策 Token 都有據(jù)可依。

從 SOTA 刷榜到下游實(shí)戰(zhàn)

一個(gè)「六邊形基座」的誕生

說(shuō)了這么多，RynnBrain 到底表現(xiàn)如何？其實(shí)，如果只是拿現(xiàn)有的 Benchmark 去測(cè)，RynnBrain 的部分能力是很難測(cè)出來(lái)的，如時(shí)空定位、操作點(diǎn)識(shí)別等。目前的開(kāi)源評(píng)測(cè)基準(zhǔn)，普遍缺少對(duì)這些細(xì)粒度信息理解能力與時(shí)空定位能力的評(píng)估。

為了填補(bǔ)這一空白，達(dá)摩院推出了一個(gè)名叫 RynnBrain Bench 的新基準(zhǔn)。這個(gè)基準(zhǔn)涵蓋物體認(rèn)知、空間認(rèn)知、物體定位、具身點(diǎn)預(yù)測(cè)四大維度，共計(jì) 20 項(xiàng)具身相關(guān)任務(wù)。它和現(xiàn)有的其他 benchmark 一起，對(duì)模型能力提出了綜合考驗(yàn)。

在這套嚴(yán)苛的「試卷」面前，RynnBrain 首先展現(xiàn)出了全面且扎實(shí)的基礎(chǔ)模型能力。其 8B 版本不僅在具身認(rèn)知與定位任務(wù)上全面領(lǐng)先于 Gemini Robotics ER 1.5、Mimo-Embodied、RoboBrain 2.0、Pelican-VL、Cosmos-reason 2 等業(yè)內(nèi)最先進(jìn)的模型，在許多細(xì)分能力上甚至實(shí)現(xiàn)了 30% 以上的性能飛躍

RynnBrain 在 16 項(xiàng)具身評(píng)測(cè)上實(shí)現(xiàn) SOTA

更難得的是，RynnBrain 在泛化性方面并沒(méi)有明顯的損失。我們知道，許多專(zhuān)門(mén)為機(jī)器人任務(wù)訓(xùn)練的「具身大腦」模型，容易過(guò)擬合到特定任務(wù)上，導(dǎo)致其喪失作為通用大模型原有的強(qiáng)大能力（比如文檔理解、文本推理等）。而 RynnBrain 在取得具身任務(wù) SOTA 的同時(shí)，繼承了基座模型（Qwen3-VL）通用視覺(jué)能力。

模型能夠理解用戶(hù)的飲食需求，結(jié)合常識(shí)判斷與中文 OCR 識(shí)別，從多個(gè)帶文字標(biāo)簽的物品中篩選出符合條件的選項(xiàng)。

此外，其開(kāi)源的 MOE 版本（RynnBrain-30B-A3B）讓機(jī)器人在保持最強(qiáng)感知與規(guī)劃能力的同時(shí)擁有更快的響應(yīng)速度。它僅需 3B 的推理激活參數(shù)，就在各項(xiàng)指標(biāo)上擊敗了當(dāng)前規(guī)模最大的具身基礎(chǔ)模型 Pelican-VL-72B，真正實(shí)現(xiàn)了以小博大。

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

實(shí)驗(yàn)數(shù)據(jù)表明，其預(yù)訓(xùn)練成果對(duì)下游任務(wù)有顯著的加持作用：在導(dǎo)航任務(wù)中，僅作為基座進(jìn)行微調(diào)（RynnBrain-Nav），就能比使用 Qwen3-VL 的模型能力提升 5%，且在不修改架構(gòu)的情況下，導(dǎo)航成功率比當(dāng)前的 SOTA 模型 StreamVLN 高出 2%-3%。

而在操作規(guī)劃方面，RynnBrain 展現(xiàn)了驚人的數(shù)據(jù)效率，僅需幾百條樣本微調(diào)，其 RynnBrain-Plan 模型就能具備強(qiáng)大的長(zhǎng)周期規(guī)劃能力，無(wú)論是在域內(nèi)還是域外任務(wù)上均全面超越了 Gemini 3 Pro。這種「一點(diǎn)就通」的特質(zhì)，充分驗(yàn)證了其獨(dú)創(chuàng)的「文本與定位交錯(cuò)」推理方式比傳統(tǒng)模式更適應(yīng)復(fù)雜多變的物理世界，其強(qiáng)泛化能力的保留使其能夠更快地遷移到所需場(chǎng)景。

至此，RynnBrain 不僅具備了系統(tǒng)性的認(rèn)知架構(gòu)，更補(bǔ)全了從「理解」到「行動(dòng)」的關(guān)鍵環(huán)節(jié)，成為首個(gè)支持移動(dòng)操作的具身基礎(chǔ)模型。

與其押注路線(xiàn)

不如先給行業(yè)「打地基」

關(guān)于機(jī)器人「大腦」該怎么做，業(yè)內(nèi)其實(shí)一直沒(méi)有標(biāo)準(zhǔn)答案。達(dá)摩院的研究人員在交流中提到，當(dāng)前的探索大致分成兩種思路：一種從動(dòng)作出發(fā)，直接學(xué)習(xí)如何操作真實(shí)世界，這條路發(fā)展出了 VLA 模型，但問(wèn)題也很現(xiàn)實(shí) —— 高質(zhì)量數(shù)據(jù)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(dòng)，但如何把這種理解準(zhǔn)確對(duì)齊到真實(shí)、連續(xù)的物理空間，依然是繞不開(kāi)的難點(diǎn)。

在這種背景下，達(dá)摩院沒(méi)有急著選邊站，而是選擇先把基礎(chǔ)能力補(bǔ)齊。RynnEC 負(fù)責(zé)打好對(duì)物理世界的感知與理解，RynnBrain 則在此之上繼續(xù)往時(shí)空記憶、空間推理和長(zhǎng)程規(guī)劃推進(jìn)。這些基礎(chǔ)打好之后，RynnBrain 既可以作為下游模型的「大腦」參與真實(shí)操作，也有機(jī)會(huì)通過(guò)后訓(xùn)練直接演進(jìn)為操作基座。這些能力被開(kāi)源出來(lái)，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(fù)造輪子。

與此同時(shí)，達(dá)摩院也在并行推進(jìn)以視覺(jué)為主導(dǎo)的 VLA 路線(xiàn)（如 RynnVLA），并通過(guò) RCP 等系統(tǒng)級(jí)技術(shù)，把模型、數(shù)據(jù)和真實(shí)機(jī)器人連成一條完整鏈路，從「看見(jiàn)」到「決定」再到「動(dòng)手」。

談及更遠(yuǎn)的未來(lái)，達(dá)摩院透露，他們?cè)谒伎家环N更平臺(tái)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(chǔ)設(shè)施。畢竟，要解決具身智能這道世紀(jì)難題，需要的不是某一家機(jī)構(gòu)的孤軍奮戰(zhàn)，而是整個(gè)開(kāi)源社區(qū)的共同進(jìn)化。

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