RynnBrain: 개방형 구체화된 기초 모델
RynnBrain: Open Embodied Foundation Models
February 13, 2026
저자: 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
초록
멀티모달 기반 모델의 급속한 발전에도 불구하고, 구현형 인텔리전스 커뮤니티는 여전히 인지, 추론, 계획을 현실 세계의 시공간적 역학 안에서 통합하는 통일되고 물리적으로 기반을 둔 기반 모델이 부족한 상황입니다. 본 논문에서는 구현형 인텔리전스를 위한 오픈소스 시공간 기반 모델인 RynnBrain을 소개합니다. RynnBrain은 통합 프레임워크 내에서 네 가지 핵심 역량, 즉 포괄적인 자기 중심적 이해, 다양한 시공간적 위치 파악, 물리적 기반 추론, 그리고 물리 법칙을 인지한 계획 수립 능력을 강화합니다. RynnBrain 패밀리는 세 가지 규모의 기반 모델(2B, 8B, 30B-A3B MoE)과 하류 구현형 작업(즉, RynnBrain-Nav, RynnBrain-Plan, RynnBrain-VLA)이나 복잡한 공간 추론 작업(즉, RynnBrain-CoP)에 맞춰 조정된 네 가지 사후 학습 변형 모델로 구성됩니다. 20개의 구현형 벤치마크와 8개의 일반 영상 이해 벤치마크에 대한 광범위한 평가 결과, 당사의 RynnBrain 기반 모델은 기존 구현형 기반 모델들을 큰 격차로 크게 앞섰습니다. 사후 학습 모델 제품군은 RynnBrain 기반 모델의 두 가지 주요 가능성을 추가로 입증합니다: (i) 물리적으로 기반을 둔 추론과 계획 수립을 가능하게 하고, (ii) 다양한 구현형 작업에 효율적으로 적용될 수 있는 강력한 사전 학습된 백본 역할을 하는 것입니다.
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.