阿里发布RynnBrain1.1，从122B具身基模到跨本体操作，一套模型打通“看懂-定位-行动”

具身大模型真正难的，并不是再多答对几道视觉问答题，而是让“看懂”最终落到机器人动作上：目标物体在哪里、与机器人相距多远、应该从哪个位置接触，以及不同形态的机器人如何共享同一套策略。

今日，阿里巴巴达摩院发布最新的 RynnBrain 1.1，正是沿着这条路线推进。

前半部分，它是一组覆盖 2B、9B 和 122B-A10B 的具身视觉语言基础模型；后半部分，它又通过 RynnBrain-VLA 接入 Unitree G1、Astribot-S1 和 Tianji-Wuji 三类真机平台。

• 论文标题：RynnBrain 1.1: Towards More Capable and Generalizable Embodied Foundation Model
• 项目主页：https://alibaba-damo-academy.github.io/RynnBrain
• 论文链接：https://arxiv.org/abs/2607.17977
• GitHub：https://github.com/alibaba-damo-academy/RynnBrain

先把 VLM 做成“具身基础模型”

RynnBrain 1.1 延续 decoder-only 视觉语言架构，以 Qwen3.5 为底座构建 2B、9B 和 122B-A10B 三档模型。它接收单图、多视角图像与视频，并把输出空间从纯文本扩展到区域、轨迹、指向、3D 感知和接触点等结构化信号。

这套能力定义围绕四类具身需求展开：第一人称理解、时空定位、物理世界推理和细粒度动作规划。它们并不是独立 benchmark 的简单拼接，而是共同服务于后续机器人操作：识别目标、理解空间关系、定位可交互区域，并把任务拆成可以执行的步骤。

认知与定位：具身基模的“基本功”先做到高分

在 RynnBrain 1.1 的评测体系里，VLM 能力并不只看通用问答，而是拆成两类更接近机器人需求的能力：一类是具身认知，包括多视角空间理解、视频时序推理、物体与场景关系判断；另一类是具身定位，包括指向、区域定位、affordance grounding 与轨迹预测。

换句话说，模型不仅要知道“这是什么”，还要回答“它在哪里、哪一部分可以操作、机器人应该沿什么路径接近”。从 2B 开始，RynnBrain 1.1 的绝对指标已经进入可用区间。

• 仅 2B 参数，RynnBrain 1.1 已达到 VSI-Bench 72.9、RynnBrain-Object 74.6、RynnBrain-Spatial 63.8、RynnBrain-Grounding 84.1 和 RynnBrain-Affordance 90.2。
• 在 Cosmos 3-Edge 有公开结果的 10 项共同指标上，RynnBrain 1.1-2B 实现 10/10 全部领先；其中 Object 为 74.6 vs. 24.0，Spatial 为 63.8 vs. 22.6，Grounding 为 84.1 vs. 51.6。

模型扩大到 9B 后，提升最明显的是需要多视角、空间记忆和关系推理的任务。MindCube 从 2B 的 61.7 提升到 86.9，RefSpatial-Bench 从 58.5 提升到 67.2，RynnBrain-Grounding 进一步达到 85.4。

• RynnBrain 1.1-9B 的绝对指标包括 MindCube 86.9、EmbSpatial 81.9、RynnBrain-Grounding 85.4、RynnBrain-Affordance 90.7 和 RynnBrain-Trajectory 70.0。
• 对比 Cosmos 3-Nano，RynnBrain 1.1-9B 在 15 项指标中领先 14 项；MindCube 为 86.9 vs. 40.5，RoboSpatial-Pointing 为 69.7 vs. 33.0，RynnBrain-Spatial 为 67.9 vs. 26.1。

大模型对比：在具身任务上压过多款闭源通用模型

到 122B-A10B 规模，RynnBrain 1.1 开始与 Cosmos 3 Super、Qwen3.5，以及 Gemini 3 Pro、GPT 5.4、Claude Sonnet 4.6 等通用大模型直接比较。这里更值得关注的，不只是胜负数量，而是模型在高难度空间任务上的绝对分数。

• RynnBrain 1.1-122B-A10B 在 VSI-Bench 达到 75.0，高于 Cosmos 3 Super 的 60.9、GPT 5.4 的 49.2、Gemini 3 Pro 的 48.8 和 Claude Sonnet 4.6 的 44.4。
• MindCube 达到 89.6：Cosmos 3 Super 为 40.2，Gemini 3 Pro 为 70.8，GPT 5.4 为 10.4，Claude Sonnet 4.6 为 21.0。
• 具身定位方面，RefSpatial-Bench 达到 79.1、RynnBrain-Grounding 达到 86.6、RynnBrain-Affordance 达到 91.3；三项均高于 Cosmos 3 Super、Gemini 3 Pro、GPT 5.4 与 Claude Sonnet 4.6。
• 按 15 项共同指标统计，RynnBrain 1.1-122B-A10B 对 Cosmos 3 Super 和 GPT 5.4 均为 13/15 领先，对 Gemini 3 Pro 为 12/15，对 Claude Sonnet 4.6 为 15/15。

这组结果说明，RynnBrain 的优势并不是只集中在自建指标上。VSI-Bench、MMSI、MindCube、EmbSpatial、RefSpatial-Bench 等公开任务同时覆盖视频、空间、多视角和定位能力，而 RynnBrain 1.1 在这些任务上保持了较高的绝对分数。对于具身系统，这些能力正是后续目标定位、动作规划和真机执行的基础。

两项新增 feature：原生 3D grounding 与接触点预测

RynnBrain 1.1 相比上一版最直接的变化，是把模型输出进一步推向真实物理空间。2B 和 9B 模型加入大规模 3D supervision：给定单张图像、语言描述与相机内参，模型直接预测相机坐标系中的三维中心、尺寸和朝向。

• SUN RGB-D 上，RynnBrain 1.1-2B 达到 34.28 AP@15，超过 Seed1.5-VL 的 33.5 与 Gemini 2.0 Pro 的 32.5；9B 进一步达到 41.12。
• WildDet3D-Bench 上，RynnBrain 1.1-9B 达到 23.44 AP3D，高于使用额外域内数据训练的专用 WildDet3D 检测器 22.6。

另一项新增能力是接触点预测。传统 grasp rectangle 需要生成四个角点，但同一物体通常存在多组功能等价的抓取方式，矩形尺寸也容易受到夹爪形态和数据标注习惯影响。RynnBrain 1.1 将输出压缩为一个抓取中心和一个平面旋转角，让模型更直接地回答“从哪里、以什么方向接触”。

规模扩大之后，具身能力是否真的增长？

RynnBrain 1.1 的另一个重点，是在统一能力框架下观察从 2B 到 122B-A10B 的规模变化。结果显示，通用具身认知、推理密集型认知和具身定位三类能力整体随模型规模提升，但不同能力的增长方式并不相同。

• 推理密集型具身任务上，RynnBrain 1.1 的平均分从 51.1 提升到 70.8，增长 38.6%；对应的原始 Qwen3.5 则从 32.9 降到 20.0。
• 对比同规模 Cosmos 3：2B 在 10 项共同报告指标上全部领先；9B 在 15 项中领先 14 项；122B-A10B 在 15 项中领先 13 项。

这组结果指向一个重要结论：多视角、时序和空间推理不会仅靠参数规模自动出现。先通过具身数据和结构化空间监督建立“物理地基”，更大的模型容量才更容易转化为机器人真正需要的能力。

从 VLM 到 VLA：把理解能力接到动作上

团队进一步开发了更鲁棒的 RynnBrain-VLA 使用 flow matching 预测动作 chunk，输入包括语言指令、多相机观测、机器人状态和带噪动作序列；模型迭代去噪后输出未来动作。

跨机器人训练的核心，是一套 81 维统一动作空间。它被拆分为 Arm-Joint、Arm-EEF、Gripper、Hand、Torso 和 Head 六组，每台机器人只激活自己具备的动作维度，其余维度通过 embodiment-specific mask 屏蔽。

• Tianji-Wuji：激活 14D Arm-Joint 与 40D Hand，共 54 个动作维度。
• Astribot-S1：激活 14D Arm-Joint、2D Gripper、3D Head 和 4D Torso。
• Unitree G1：在统一空间中激活 14D Hand，并结合 SONIC whole-body controller 完成人形全身控制。

这意味着模型不需要把三种机器人完全不同的底层控制接口硬对齐，而是让多个本体在共享动作分组上共同训练，再由各自的 embodiment layer 完成最终执行。

真机结果：同一底座，覆盖人形、双臂和灵巧手

主要定量评测覆盖三项长程任务：Astribot 上的 Sprinkle the Petals、Pour the Wine，以及 Tianji-Wuji 上的 Grab the Spatulas。每项任务进行 20 次随机初始位置试验，同时统计最终成功率与中间阶段完成情况对应的 process score。

• 在完全相同的 VLA 后训练配置下，Qwen-Based-VLA 的平均 process score / 成功率为 68.33% / 60.00%；换成 RynnBrain 底座后提升到 91.28% / 86.67%。
• 联合多任务、多本体训练的 RynnBrain-VLA-Generalist 达到 94.14% process score 和 91.67% 最终成功率，高于 GR00T N1.7 的 83.31% 和 73.33%。
• Grab the Spatulas 任务上，RynnBrain-VLA 成功率达到 95%，Qwen-Based-VLA 为 50%。
• Unitree G1 的 Pull the Chair 任务上，RynnBrain-VLA 成功率为 90%，使用相同 SONIC 控制器的 GR00T N1.7 为 75%。

这些结果把前半部分的 VLM 能力与后半部分的动作表现连接起来：物体理解负责识别操作对象，空间与 3D grounding 提供真实位置关系，接触点给出动作相关的交互锚点，最后再由统一动作空间生成连续控制。

尤其是在多阶段任务中，更强的基础模型不仅提高最终成功率，也明显减少了中间步骤的失败。换言之，VLA 的上限不只取决于动作头和后训练数据，底座是否真正理解物体、空间与交互，同样会直接反映在真机执行上。

从“刷榜”到“上真机”，RynnBrain 1.1 想打通的是完整链路

RynnBrain 1.1 的特点，不是单独做一个更大的 VLM，也不是只训练一套机器人策略，而是把两部分放进同一条技术链路：先通过多尺度具身预训练获得可扩展的认知、定位和物理推理能力，再用 3D grounding 与接触点预测把输出推向操作空间，最后通过统一动作表示迁移到不同机器人。

对具身大模型而言，这比单纯追求参数量更关键。一个真正有价值的 foundation model，不只要在视觉语言任务上得分更高，还要让机器人在真实环境里更少失败几次。RynnBrain 1.1 给出的答案，是让 VLM 与真机能力各占一半，但最终服务于同一个目标：从理解物理世界走向可靠行动。

最后把关键指标 Highlight

• 具身认知绝对指标：VSI-Bench 75.0、MindCube 89.6、RynnBrain-Object 77.0、RynnBrain-Spatial 70.0。
• 具身定位绝对指标：RefSpatial-Bench 79.1、RynnBrain-Grounding 86.6、RynnBrain-Affordance 91.3。
• Cosmos 3 对比：2B 共同指标 10/10 领先，9B 为 14/15，122B-A10B 为 13/15。
• 闭源模型对比：122B-A10B 对 GPT 5.4 为 13/15 领先，对 Gemini 3 Pro 为 12/15，对 Claude Sonnet 4.6 为 15/15。
• 3D grounding：SUN RGB-D 最高 41.12 AP@15；WildDet3D-Bench 最高 23.44 AP3D。
• RynnBrain-VLA vs. Qwen-Based-VLA：平均成功率 86.67% vs. 60.00%。
• RynnBrain-VLA-Generalist：平均 process score 94.14%，最终成功率 91.67%。
• Unitree G1 Pull the Chair：90% vs. GR00T N1.7 75%。