Tencent Robotics X, Futian Laboratory e Tencent Hunyuan lançaram o relatório técnico, código de inferência e pesos do Hy-Embodied-RxBrain-1.0, um modelo base multimodal unificado de ~6.2B parâmetros para cognição encarnada.
O modelo acopla o raciocínio linguístico com a imaginação visual por meio de geração autorregressiva intercalada, alternando texto e quadros imaginados combinados por fluxo dentro de uma única sequência. Os componentes arquiteturais-chave incluem um backbone Unificado Mixture-of-Transformers com vias específicas de modalidade e um Flow-Matching Image Head que decodifica em um espaço latente FLUX VAE congelado.
RxBrain oferece três capacidades principais: compreensão e raciocínio encarnado sobre imagens e vídeo, previsão do estado do mundo para imaginar quadros futuros próximos e planejamento conjunto de subobjetivos que decompor tarefas em etapas com ações linguísticas e imagens alvo.