腾讯 Robotics X、福田实验室和腾讯混元发布了 Hy-Embodied-RxBrain-1.0 的技术报告、推理代码和权重，这是一个用于具身认知的约 ~6.2B 参数的统一多模态基础模型。

该模型通过交错自回归生成，在单个序列中交替文本和流匹配想象帧，将语言推理与视觉想象耦合。关键架构组件包括具有模态特定路径的统一 Mixture-of-Transformers 主干，以及解码到冻结 FLUX VAE 潜在空间的 Flow-Matching Image Head。

RxBrain 提供三项核心能力：对图像和视频的具身理解与推理、预测世界状态以想象近未来帧，以及联合子目标规划，将任务分解为包含语言动作和目标图像的步骤。