Tencent Robotics X, Laboratorium Futian, dan Tencent Hunyuan telah merilis laporan teknis, kode inferensi, dan bobot untuk Hy-Embodied-RxBrain-1.0, sebuah model fondasi multimodal terpadu berparameter ~6.2B untuk kognisi yang diwujudkan (embodied cognition).
Model ini menggabungkan penalaran bahasa dengan imajinasi visual melalui generasi autoregresif berselang-seling, secara bergantian teks dan frame yang dibayangkan dengan pencocokan aliran (flow-matched) dalam satu urutan. Komponen arsitektur kunci meliputi backbone Unified Mixture-of-Transformers dengan jalur spesifik modalitas dan Flow-Matching Image Head yang mendekode ke dalam ruang laten FLUX VAE yang membeku.
RxBrain menyediakan tiga kemampuan inti: pemahaman dan penalaran yang diwujudkan atas gambar dan video, prediksi keadaan dunia untuk membayangkan frame masa depan dekat, dan perencanaan sub-tujuan gabungan yang menguraikan tugas menjadi langkah-langkah dengan tindakan bahasa dan gambar tujuan.