腾讯发布了 Hy-Embodied-RxBrain-1.0，这是一个专为具身认知设计的约 6.2B 参数的统一多模态基础模型，将语言推理与视觉想象相结合。
- 该模型采用 Unified Mixture-of-Transformers (MoT) 主干架构，其中理解与图像共享同一个自回归架构。
- 它配备了一个 flow-matching 图像头，可解码到冻结的 FLUX VAE 潜在空间以生成想象中的帧。
- 关键能力包括具身理解、世界状态预测以及通过文本推理和视觉目标的交错生成来实现联合子目标规划。
这种方法使模型能够通过发出下一个动作及其应达到的目标图像，将任务分解为步骤。