阿里巴巴達摩院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個全尺寸模型。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項具身智能評測指標中全面超越谷歌Gemini Robotics ER 1.5等國際頂尖模型，刷新行業最佳紀錄（SOTA）。
傳統機器人系統在執行多任務時存在顯著局限，而RynnBrain通過引入時空記憶模塊，使機器人能夠實時記錄任務的時間坐標與空間狀態。例如，當機器人執行清潔任務途中被要求優先處理緊急搬運需求時，該模型可精準記憶清潔任務的暫停位置、已覆蓋區域等關鍵信息，待搬運完成后無縫恢復清潔工作。這種類人化的任務管理能力，標志著機器人從被動執行向主動規劃的跨越式發展。
在技術架構層面，RynnBrain采用創新的混合專家（MoE）設計，其30B參數模型通過動態路由機制實現計算效率與模型性能的平衡。實驗數據顯示，基于該架構訓練的導航模型僅需500條場景數據微調，即可在復雜環境路徑規劃中達到超越Gemini 3 Pro的精度，推理速度提升37%。這種高效訓練特性使其具備成為具身智能領域"基礎操作系統"的潛力。
為推動行業標準化建設，達摩院同步開源全球首個時空細粒度評測基準RynnBrain-Bench。該基準包含2000個動態場景測試用例，涵蓋物體狀態變化、空間關系重構等復雜任務，有效解決了現有評測體系無法量化評估機器人物理世界理解能力的痛點。配套開源的WorldVLA融合模型與RynnRCP機器人通信協議，已形成覆蓋感知、決策、執行的全棧技術解決方案。
據項目負責人介紹，RynnBrain的研發突破源于對"大小腦分層架構"的深度探索。通過將高階認知功能與低階運動控制解耦，該模型成功構建出可解釋、可干預的智能系統。目前相關技術已在工業巡檢、家庭服務等場景完成驗證，某物流企業測試顯示，搭載RynnBrain的分揀機器人任務切換效率提升65%，異常處理成功率達92%。
