論文の概要: RynnUnify: Towards Unified Embodied Brain
- arxiv url: http://arxiv.org/abs/2610.32965v1
- Date: Fri, 23 Oct 2026 17:54:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.627962
- Title: RynnUnify: Towards Unified Embodied Brain
- Title（参考訳）: RynnUnify:Unified Embodied Brainを目指して
- Abstract要約: RynnUnifyは、16Bの統合型エンボディモデルで、強いエンボディド理解と、インターリーブされたビデオ言語推論による長距離ビジュアルプランニングを組み合わせたものである。
空間的推論、物理的予測、グラウンド化にまたがる能力によって、RynnUnifyは物理世界の理解と、それが連続したサブタスク間でどのように進化するかの視覚的な予測を結びつける。
我々は、その理解と予測能力をロボット制御に翻訳し、完全なRynnUnifyモデルのワールドアクション拡張を開発する。
- 参考スコア（独自算出の注目度）: 123.65609775270117
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce RynnUnify, a 16B unified embodied model that combines strong embodied understanding with long-horizon visual planning through interleaved video--language reasoning. With capabilities spanning spatial reasoning, physical prediction, and grounding, RynnUnify connects an understanding of the physical world with visual anticipation of how it evolves across successive subtasks. Building on these capabilities, we further develop an agentic extension through reinforcement learning to selectively use video predictions for reasoning about unobserved states and interaction outcomes. We also develop a world-action extension of the full RynnUnify model, translating its understanding and prediction capabilities into robot control. To evaluate these capabilities, we introduce Rynn-VP and Rynn-GEU for long-horizon visual planning and anticipatory reasoning. Experiments show that RynnUnify achieves the highest average embodied understanding score among the evaluated unified multimodal models and improves the Rynn-VP overall score by 9.75 points over Cosmos 3 Nano. Its agentic extension improves the Rynn-GEU average by 6.0 points over direct reasoning, while the world-action extension achieves 51.5\% success on 20 selected composite RoboCasa365 tasks and 46.7\% average success across three real-robot tasks. Together, these results establish RynnUnify as a shared foundation for embodied understanding, visual planning, and robot control, taking a step toward a unified embodied brain.
- Abstract（参考訳）: RynnUnifyは、16Bの統合型エンボディモデルで、強いエンボディド理解と、インターリーブされたビデオ言語推論による長距離ビジュアルプランニングを組み合わせたものである。
空間的推論、物理的予測、グラウンド化にまたがる能力によって、RynnUnifyは物理世界の理解と、それが連続したサブタスク間でどのように進化するかの視覚的な予測を結びつける。
これらの能力に基づいて、強化学習によるエージェント拡張をさらに発展させ、未観測状態と相互作用結果の推論にビデオ予測を選択的に活用する。
また,完全なRynnUnifyモデルのワールドアクション拡張を開発し,その理解と予測能力をロボット制御に翻訳する。
これらの機能を評価するために、長期の視覚計画と予測推論のためのRynn-VPとRynn-GEUを紹介する。
実験の結果、RynnUnifyは評価された統一マルチモーダルモデルの中で平均的な理解スコアを達成し、コスモス3ナノよりも9.75ポイント向上した。
エージェント拡張により、Rynn-GEU平均は直接推論より6.0ポイント向上し、世界行動拡張は選択された20のRoboCasa365タスクで51.5\%成功し、3つの実ロボットタスクで46.7\%平均成功を達成した。
これらの結果は、RynnUnifyを、統一されたエンボディド脳への一歩を踏み出し、理解、視覚計画、ロボット制御の共通基盤として確立する。
関連論文リスト
- UniviewVLA: A Unified Multiview Vision-Language-Action Model with World Modeling [33.6086006552446]
ワールド・モデリングを用いたマルチビュー・ビジョン・ランゲージ・アクション・モデルであるUniviewVLAを提案する。
生成されたマルチビューの将来のビューを活用することで、UniviewVLAは隠蔽されたキューと将来のシーンの進化をモデル化する。
UniviewVLA は LIBERO で95.8%、CALVIN ABCD to D で4.60を達成している。
論文 参考訳（メタデータ） (2026-06-19T14:53:40Z) - MemDreamer: Decoupling Perception and Reasoning for Long Video Understanding via Hierarchical Graph Memory and Agentic Retrieval Mechanism [70.69809410471993]
現在のVision-Language Modelsは、フル長のビジュアルシーケンスを処理することによって、禁止されたトークンの爆発と注意の希釈を引き起こすため、数時間のビデオに苦労している。
我々はMemDreamerを導入し、知覚と推論を分離し、長いビデオ理解をエージェント探索プロセスに移行する。
MemDreamerは4つの主要なベンチマークでSOTAの結果を達成し、人間の専門家とのギャップをわずか3.7ポイントに縮める。
論文 参考訳（メタデータ） (2026-06-05T17:59:21Z) - IntentVLM: Open-Vocabulary Intention Recognition through Forward-Inverse Modeling with Video-Language Models [5.381126267099941]
本稿では,オープン語彙の人間の意図認識のための2段階のビデオ言語フレームワークIntentVLMを提案する。
IntrepidVLMは、意図的理解を目標候補生成に分解することで、認知科学における前方逆モデリングにインスパイアされている。
最先端の結果を最大80%の精度で達成し、特にベースライン性能を30%上回り、人間のパフォーマンスに匹敵する。
論文 参考訳（メタデータ） (2026-04-27T03:34:33Z) - Causal World Modeling for Robot Control [56.31803788587547]
ビデオワールドモデルは、アクションと視覚力学の因果関係を理解することによって、近い将来に想像できる能力を提供する。
本稿では,フレーム予測とポリシ実行を同時に学習する自動回帰拡散フレームワークLingBot-VAを紹介する。
シミュレーションベンチマークと実世界のシナリオの両方でモデルを評価したところ、長距離操作、ポストトレーニングにおけるデータ効率、新しい構成への強力な一般化性などに大きな可能性を示唆している。
論文 参考訳（メタデータ） (2026-01-29T17:07:43Z) - GOPLA: Generalizable Object Placement Learning via Synthetic Augmentation of Human Arrangement [16.549660613125877]
GOPLAは、拡張された人間のデモンストレーションから一般化可能なオブジェクト配置を学ぶ階層的なフレームワークである。
データ不足を克服するため、私たちは、人間の配置デモを多様な合成トレーニングデータに拡張するスケーラブルなパイプラインを導入しました。
提案手法は, 位置決め精度と身体的妥当性を指標として, ランナアップよりも30.04ポイントの配置成功率を向上する。
論文 参考訳（メタデータ） (2025-10-16T12:38:14Z) - Agentic Jigsaw Interaction Learning for Enhancing Visual Perception and Reasoning in Vision-Language Models [63.69856480318313]
AGILEは、対話的なプロセスとしてジグソー解決を定式化し、モデルが環境に徐々に関与できるようにする。
我々は AGILE がジグソータスクの性能を大幅に向上させることを示す。
また、9つの一般的な視覚タスクに対して強力な一般化を示し、平均3.1%の改善を実現した。
論文 参考訳（メタデータ） (2025-10-01T17:58:05Z) - DreamVLA: A Vision-Language-Action Model Dreamed with Comprehensive World Knowledge [41.030494146004806]
本稿では,逆動力学モデリングを実現するために,包括的世界知識予測を統合した新しいVLAフレームワークであるDreamVLAを提案する。
DreamVLAは、動的領域誘導の世界知識予測を導入し、空間的および意味的な手がかりと統合し、アクション計画のためのコンパクトで包括的な表現を提供する。
実世界とシミュレーション環境での実験では、ドリームVLAが実際のロボットタスクで76.7%の成功率を達成したことが示されている。
論文 参考訳（メタデータ） (2025-07-06T16:14:29Z)
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。