A Tencent lançou o Hy-Embodied-RxBrain-1.0, um modelo base multimodal unificado de ~6.2B parâmetros projetado para cognição encarnada que acopla o raciocínio linguístico à imaginação visual.
- O modelo usa uma coluna vertebral Unified Mixture-of-Transformers (MoT) onde compreensão e síntese de imagens compartilham uma única arquitetura autoregressiva.
- Ele possui uma cabeça de imagem flow-matching que decodifica em um espaço latente FLUX VAE congelado para gerar quadros imaginados.
- As capacidades-chave incluem compreensão encarnada, previsão do estado do mundo e planejamento conjunto de subobjetivos por meio da geração intercalada de raciocínio textual e objetivos visuais.
Essa abordagem permite que o modelo decomponha tarefas em etapas emitindo tanto a próxima ação quanto a imagem-alvo que deve alcançar.