Tencent Robotics X、福田ラボ、そしてTencent Hunyuanは、具現化認知のための~6.2Bパラメータの統一マルチモーダル基盤モデルであるHy-Embodied-RxBrain-1.0の技術レポート、推論コード、および重みをリリースしました。

このモデルは、インターリーブされた自己回帰的生成を通じて言語推論と視覚的想像を結合し、単一シーケンス内でテキストとフローマッチングされた想像フレームを交互に生成します。主要なアーキテクチャコンポーネントには、モダリティ固有のパスを持つUnified Mixture-of-Transformersバックボーンと、凍結されたFLUX VAE潜在空間にデコードするFlow-Matching Image Headが含まれます。

RxBrainは3つのコア機能を提供します：画像や動画に対する具現化理解と推論、近い未来のフレームを想像するための世界状態予測、そして言語アクションと目標画像の両方を使用してタスクをステップに分解する結合サブゴールプランニング。