Tencent ha lanzado Hy-Embodied-RxBrain-1.0, un modelo base multimodal unificado de ~6.2B parámetros diseñado para la cognición encarnada que acopla el razonamiento lingüístico con la imaginación visual.
- El modelo utiliza una columna vertebral Unified Mixture-of-Transformers (MoT) donde la comprensión y la síntesis de imágenes comparten una misma arquitectura autoregresiva.
- Cuenta con un cabezal de imagen flow-matching que decodifica en un espacio latente FLUX VAE congelado para generar cuadros imaginados.
- Las capacidades clave incluyen comprensión encarnada, predicción del estado del mundo y planificación conjunta de subobjetivos a través de la generación intercalada de razonamiento textual y objetivos visuales.
Este enfoque permite al modelo descomponer las tareas en pasos emitiendo tanto la próxima acción como la imagen objetivo que debe alcanzar.