論文の概要: RynnBrain 1.1: Towards More Capable and Generalizable Embodied Foundation Model
- arxiv url: http://arxiv.org/abs/2607.17977v1
- Date: Mon, 20 Jul 2026 14:13:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.65395
- Title: RynnBrain 1.1: Towards More Capable and Generalizable Embodied Foundation Model
- Title（参考訳）: RynnBrain 1.1: より機能的で一般化可能なEmbodied Foundation Modelを目指す
- Abstract要約: RynnBrain 1.1は2B,9B,122B-A10Bスケールにまたがる基礎モデルである。
RynnBrain 1.1は、具体的知覚、空間的推論の局在、計画をサポートする。
また,RynnBrain-VLAを統一的なクロスボデーメントアクション空間とエンボデーメント固有のマスキングで開発し,Unitree G1,Astribot-S1,Tianji-Wujiに展開する。
- 参考スコア（独自算出の注目度）: 96.30193688355489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present RynnBrain 1.1, a family of embodied foundation models spanning 2B, 9B, and 122B-A10B scales. Trained with a unified spatio-temporal and physically grounded framework, RynnBrain 1.1 supports embodied perception, spatial reasoning, localization, and planning. Compared with RynnBrain 1.0, it further introduces contact-point prediction across the model family and native 3D grounding for the 2B and 9B models, yielding representations and outputs that are more directly aligned with robot manipulation. We also develop RynnBrain-VLA with a unified cross-embodiment action space and embodiment-specific masking, and deploy it on Unitree G1, Astribot-S1, and Tianji-Wuji. RynnBrain 1.1 achieves strong results on embodied cognition, localization, and 3D grounding, with the 122B-A10B model outperforming all evaluated proprietary and open-source models on VSI-Bench, MMSI, and RefSpatial-Bench. Real-robot experiments show that RynnBrain-initialized policies outperform Qwen-based and representative generalist VLAs, while joint multi-task and multi-embodiment training improves process scores and success rates over per-task training.
- Abstract（参考訳）: RynnBrain 1.1は2B,9B,122B-A10Bスケールにまたがる基礎モデルである。
RynnBrain 1.1は時空間と物理的に基盤を統一したフレームワークで訓練されており、具体的知覚、空間的推論、局所化、計画をサポートしている。
RynnBrain 1.0と比較すると、2Bおよび9Bモデルのモデルファミリとネイティブ3Dグラウンドの接触点予測がさらに導入され、ロボット操作とより直接整合した表現と出力が得られる。
また,RynnBrain-VLAを統一的なクロスボデーメントアクション空間とエンボデーメント固有のマスキングで開発し,Unitree G1,Astribot-S1,Tianji-Wujiに展開する。
RynnBrain 1.1は、VSI-Bench、MMSI、RefSpatial-Benchで評価されたすべてのプロプライエタリおよびオープンソースモデルよりも優れた122B-A10Bモデルにより、認識の具現化、ローカライゼーション、および3Dグラウンドングに関する強力な結果を得る。
実ロボット実験により、RynnBrain初期化ポリシはQwenベースおよび代表的ジェネラリストVLAよりも優れており、共同マルチタスクおよびマルチエンボディメントトレーニングは、タスク単位のトレーニングよりもプロセススコアと成功率を改善することが示された。
関連論文リスト
- Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models [63.96252564303143]
Embodied-R1.5は統合されたEmbodied Foundation Model(EFM)であり、包括的エンボディド推論機能を統合する。
我々は15B以上のトークンからなる大規模データシステムを構築し、マルチタスクバランスのRLレシピを設計する。
8Bパラメータしか持たず、Embodied-R1.5 SOTAは24のVLMベンチマークのうち16で、Gemini-Robotics-ER-1.5やGPT-5.4といった主要なモデルを上回った。
論文 参考訳（メタデータ） (2026-06-09T18:07:50Z) - HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents [71.09493646932046]
本稿では,実世界のエンボディエージェントに特化して設計された基礎モデルのファウンデーションモデルであるHY-Embodied-0.5を紹介する。
HY-Embodied-0.5スイートは、エッジ配置用に設計された2Bアクティベートパラメータを持つ効率的なモデルと、複雑な推論をターゲットとした32Bアクティベートパラメータを持つ強力なモデルである。
私たちのMoT-2Bモデルは16ベンチマークで同等の大きさの最先端モデルより優れていますが、32BはGemini 3.0 Proのようなフロンティアモデルに匹敵するパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2026-04-08T17:59:48Z) - RynnBrain: Open Embodied Foundation Models [91.13999239177097]
我々は,オープンソースのインテリジェンス基盤モデルであるRynnBrainを紹介する。
RynnBrainは統一フレームワークにおける4つのコア機能を強化する。
RynnBrain ファミリーは3つの基礎モデルスケールと4つの訓練後変種から構成される。
論文 参考訳（メタデータ） (2026-02-13T18:59:56Z) - HoloBrain-0 Technical Report [24.68330043768013]
HoloBrain-0はVLA(Vision-Language-Action)フレームワークである。
本システムの中核となるVLAアーキテクチャは,マルチビューカメラパラメータやキネマティックな記述を含む,ロボットのエンボディメントを明示的に組み込んだ新しいアーキテクチャである。
1) 強力な事前トレーニングされたVLA基盤、(2) 複数のシミュレーションスイートと実世界のタスクのためのトレーニング後のチェックポイント、(3) データキュレーション、モデルトレーニング、デプロイメントのためのフルスタックのVLAインフラストラクチャであるRoboOrchardを含む、HoloBrainエコシステム全体をオープンソースにしています。
論文 参考訳（メタデータ） (2026-02-12T15:21:04Z) - InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳（メタデータ） (2026-01-05T18:54:29Z) - LRM-1B: Towards Large Routing Model [26.18687224390521]
車両ルーティング問題(VRP)は、重要な実用上の意味を持つ最適化の中心である。
ニューラル最適化(NCO)の最近の進歩は、ニューラルネットワークを利用してVRPを解くことによって、有望な結果を示している。
本研究では,多種多様なVRPシナリオに対応するために,10億のパラメータを持つLarge Routing Model(LRM-1B)を提案する。
論文 参考訳（メタデータ） (2025-07-04T05:10:20Z) - AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。
提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。
実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2021-07-15T16:46:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。