RynnBrain: Modelos Fundacionales Abiertos de Embodiment
RynnBrain: Open Embodied Foundation Models
February 13, 2026
Autores: Ronghao Dang, Jiayan Guo, Bohan Hou, Sicong Leng, Kehan Li, Xin Li, Jiangpin Liu, Yunxuan Mao, Zhikai Wang, Yuqian Yuan, Minghao Zhu, Xiao Lin, Yang Bai, Qian Jiang, Yaxi Zhao, Minghua Zeng, Junlong Gao, Yuming Jiang, Jun Cen, Siteng Huang, Liuyi Wang, Wenqiao Zhang, Chengju Liu, Jianfei Yang, Shijian Lu, Deli Zhao
cs.AI
Resumen
A pesar del rápido progreso en los modelos fundacionales multimodales, la comunidad de la inteligencia corporeizada aún carece de un modelo fundacional unificado y físicamente fundamentado que integre la percepción, el razonamiento y la planificación dentro de las dinámicas espacio-temporales del mundo real. Presentamos RynnBrain, un modelo fundacional espacio-temporal de código abierto para la inteligencia corporeizada. RynnBrain fortalece cuatro capacidades centrales en un marco unificado: comprensión egocéntrica integral, localización espacio-temporal diversa, razonamiento físicamente fundamentado y planificación consciente de la física. La familia RynnBrain comprende tres escalas de modelos fundacionales (2B, 8B y 30B-A3B MoE) y cuatro variantes post-entrenadas adaptadas para tareas corporeizadas posteriores (es decir, RynnBrain-Nav, RynnBrain-Plan y RynnBrain-VLA) o para tareas complejas de razonamiento espacial (es decir, RynnBrain-CoP). En términos de evaluaciones exhaustivas en 20 benchmarks de inteligencia corporeizada y 8 benchmarks generales de comprensión visual, nuestros modelos fundacionales RynnBrain superan ampliamente a los modelos fundacionales corporeizados existentes por un margen significativo. El conjunto de modelos post-entrenados sustancia además dos potencialidades clave del modelo fundacional RynnBrain: (i) permitir un razonamiento y una planificación físicamente fundamentados, y (ii) servir como una sólida columna vertebral preentrenada que puede adaptarse eficientemente a diversas tareas corporeizadas.
English
Despite rapid progress in multimodal foundation models, embodied intelligence community still lacks a unified, physically grounded foundation model that integrates perception, reasoning, and planning within real-world spatial-temporal dynamics. We introduce RynnBrain, an open-source spatiotemporal foundation model for embodied intelligence. RynnBrain strengthens four core capabilities in a unified framework: comprehensive egocentric understanding, diverse spatiotemporal localization, physically grounded reasoning, and physics-aware planning. The RynnBrain family comprises three foundation model scales (2B, 8B, and 30B-A3B MoE) and four post-trained variants tailored for downstream embodied tasks (i.e., RynnBrain-Nav, RynnBrain-Plan, and RynnBrain-VLA) or complex spatial reasoning tasks (i.e., RynnBrain-CoP). In terms of extensive evaluations on 20 embodied benchmarks and 8 general vision understanding benchmarks, our RynnBrain foundation models largely outperform existing embodied foundation models by a significant margin. The post-trained model suite further substantiates two key potentials of the RynnBrain foundation model: (i) enabling physically grounded reasoning and planning, and (ii) serving as a strong pretrained backbone that can be efficiently adapted to diverse embodied tasks.