阿里巴巴達摩院近日在具身智能領域取得重大突破，正式推出具備時空記憶與物理推理能力的RynnBrain基礎模型，并同步開源包含30B MoE架構在內的7個全系列模型。該模型首次賦予機器人理解物理世界動態變化的能力，在16項國際權威評測中刷新行業紀錄，性能超越谷歌Gemini Robotics ER 1.5等頂尖模型，標志著具身智能技術邁向新階段。
傳統機器人系統常因任務中斷導致執行失敗，而RynnBrain通過引入時空記憶模塊，使機器人能夠精準記錄任務的時間節點與空間位置。例如，當機器人在執行搬運任務途中被要求優先處理清潔工作時，系統可自動保存原任務的坐標參數與進度狀態，待清潔完成后無縫恢復搬運操作。這種能力源于模型對物理世界的深度解析，其內置的推理引擎可模擬人類對空間關系的認知過程。
在技術架構層面，RynnBrain采用模塊化設計，支持快速衍生出導航、操作、規劃等垂直領域模型。實驗數據顯示，基于該基礎模型微調的具身規劃模型，僅需數百條訓練數據即可達到超越Gemini 3 Pro的性能水平。其MoE架構的30B參數版本更展現出顯著優勢，機器人動作流暢度提升40%，響應速度縮短至0.3秒以內，為工業場景中的精密操作提供技術保障。
為推動行業標準化發展，達摩院同步開源全新評測基準RynnBrain-Bench。該基準聚焦時空細粒度任務，包含動態障礙物避讓、多任務優先級調度等復雜場景，填補了現有評測體系在物理世界交互能力評估方面的空白。開源社區已涌現出基于該基準的優化方案，某物流機器人團隊通過調整模型注意力機制，將多任務切換效率提升了25%。
達摩院具身智能實驗室負責人趙德麗指出，RynnBrain的成功研發驗證了"大小腦分層架構"的可行性，其中基礎模型作為"大腦"負責全局規劃，執行系統作為"小腦"處理實時反饋。這種設計使機器人既能理解人類指令的深層意圖，又能適應動態環境的突發變化。目前，該模型已在智能制造、倉儲物流等領域展開試點應用，某汽車工廠的裝配機器人通過部署RynnBrain，將零件誤裝率降至0.02%以下。
在開源生態建設方面，達摩院持續釋放技術紅利。除本次開源的RynnBrain全系列模型外，實驗室此前已開放WorldVLA世界模型、RynnEC理解模型等核心組件，以及機器人通信協議RynnRCP。這些技術資產正被全球開發者用于構建下一代具身智能系統，某科研團隊基于開源架構開發的醫療輔助機器人，已能完成手術器械的自主分類與傳遞任務。
