Roboterna blir smartare, men att göra dem verkligen användbara i verkliga livet är fortfarande en seglivad utmaning. Ett nytt forskningsgenombrott presenterar RynnBrain 1.1, en familj av förankrade grundmodeller (embodied foundation models) som är designade för att överbrygga klyftan mellan digital intelligens och fysisk handling. Det här är inte bara ytterligare en AI-modell; det är ett system byggt för att uppfatta, resonera och planera inom den röriga och oförutsägbara verkligheten i den fysiska världen.

I grunden använder RynnBrain 1.1 ett enhetligt ramverk som förankrar artificiell intelligens i rumslig och fysisk verklighet. Modellen finns i tre storlekar, från en lättviktig version med 2 miljarder parametrar till en massiv variant med 122 miljarder parametrar (A10B). Det som gör denna uppdatering betydelsefull är fokuset på prediktion av kontaktpunkter och inbyggd 3D-förankring. Dessa funktioner gör att AI:n förstår exakt var objekt befinner sig i tredimensionellt utrymme och hur den ska interagera fysiskt med dem, vilket skapar utdata som är direkt anpassade till de komplexa kraven på robotmanipulation.

Forskarna höll inte bara modellerna i laboratoriet. De distribuerade RynnBrain-VLA, en version med ett enhetligt handlingsutrymme, på verkliga robotar inklusive Unitree G1, Astribot-S1 och Tianji-Wuji. Resultaten är slående. Den största modellen överträffade alla utvärderade proprietära och öppen källkod-konkurrenter på viktiga benchmark för förankrad kognition, lokalisering och 3D-förankring. Ännu viktigare visade experiment med verkliga robotar att policyer initierade med RynnBrain slog Qwen-baserade och andra generalistmodeller. Genom att träna över flera uppgifter och robottyper samtidigt förbättrade systemet sina framgångsprocent avsevärt jämfört med traditionella metoder för uppgiftsspecifik träning.

Slutsatsen är tydlig: generalisering är nyckeln till praktisk robotik. Genom att förena träningen över olika embodimenter och uppgifter har forskarna skapat ett system som lär sig snabbare och presterar bättre i mångsidiga scenarier. Denna approach för oss närmare robotar som kan anpassa sig till nya miljöer utan att behöva programmeras om från grunden för varje ny uppgift.