Tencent Robotics X, Futian Laboratory y Tencent Hunyuan han publicado el informe técnico, el código de inferencia y los pesos de Hy-Embodied-RxBrain-1.0, un modelo base multimodal unificado de ~6.2B parámetros para la cognición encarnada.
El modelo acopla el razonamiento lingüístico con la imaginación visual mediante generación autorregresiva entrelazada, alternando texto y cuadros imaginados emparejados por flujo dentro de una sola secuencia. Los componentes arquitectónicos clave incluyen un backbone Unificado Mixture-of-Transformers con vías específicas de modalidad y un Flow-Matching Image Head que decodifica en un espacio latente FLUX VAE congelado.
RxBrain ofrece tres capacidades principales: comprensión y razonamiento encarnado sobre imágenes y video, predicción del estado del mundo para imaginar cuadros cercanos al futuro, y planificación conjunta de subobjetivos que descompone tareas en pasos con acciones lingüísticas e imágenes objetivo.