Технический отчет RoboBrain 2.0

RoboBrain 2.0 Technical Report

July 2, 2025

Авторы: BAAI RoboBrain Team, Mingyu Cao, Huajie Tan, Yuheng Ji, Minglan Lin, Zhiyu Li, Zhou Cao, Pengwei Wang, Enshen Zhou, Yi Han, Yingbo Tang, Xiangqi Xu, Wei Guo, Yaoxu Lyu, Yijie Xu, Jiayu Shi, Cheng Chi, Mengdi Zhao, Xiaoshuai Hao, Shanyu Rong, Zhengliang Cai, Bolun Zhang, Shuyi Zhang, Huaihai Lyu, Mengfei Du, Lingfeng Zhang, Xi Feng, Xiaodan Liu, Yance Jiao, Chenrui He, Mengsi Lyu, Zhuo Chen, Yulong Ao, Xue Sun, Zheqi He, Jingshu Zheng, Xi Yang, Donghai Shi, Kunchang Xie, Bochao Zhang, Shaokai Nie, Chunlei Men, Yonghua Lin, Zhongyuan Wang, Tiejun Huang, Shanghang Zhang

cs.AI

Аннотация

Мы представляем RoboBrain 2.0 — новое поколение воплощенных мультимодальных моделей, объединяющих восприятие, рассуждение и планирование для выполнения сложных задач в физических средах. Модель представлена в двух вариантах: облегченная версия на 7 миллиардов параметров и полномасштабная версия на 32 миллиарда параметров, использующая гетерогенную архитектуру с визуальным кодировщиком и языковой моделью. Несмотря на компактные размеры, RoboBrain 2.0 демонстрирует высокую производительность в широком спектре задач, связанных с воплощенным рассуждением. На пространственных и временных тестах 32-миллиардная версия достигает лидирующих результатов, превосходя предыдущие открытые и проприетарные модели. В частности, она поддерживает ключевые возможности воплощенного ИИ, включая пространственное понимание (например, предсказание аффордансов, пространственные ссылки, прогнозирование траекторий) и временное принятие решений (например, замкнутое взаимодействие, долгосрочное планирование в мультиагентных системах и обновление графов сцен). В данном отчете подробно описаны архитектура модели, процесс создания данных, многоэтапные стратегии обучения, инфраструктура и практические применения. Мы надеемся, что RoboBrain 2.0 продвинет исследования в области воплощенного ИИ и станет практическим шагом на пути к созданию универсальных воплощенных агентов. Код, контрольные точки и тестовые наборы доступны по адресу https://superrobobrain.github.io.

English

We introduce RoboBrain 2.0, our latest generation of embodied vision-language foundation models, designed to unify perception, reasoning, and planning for complex embodied tasks in physical environments. It comes in two variants: a lightweight 7B model and a full-scale 32B model, featuring a heterogeneous architecture with a vision encoder and a language model. Despite its compact size, RoboBrain 2.0 achieves strong performance across a wide spectrum of embodied reasoning tasks. On both spatial and temporal benchmarks, the 32B variant achieves leading results, surpassing prior open-source and proprietary models. In particular, it supports key real-world embodied AI capabilities, including spatial understanding (e.g., affordance prediction, spatial referring, trajectory forecasting) and temporal decision-making (e.g., closed-loop interaction, multi-agent long-horizon planning, and scene graph updating). This report details the model architecture, data construction, multi-stage training strategies, infrastructure and practical applications. We hope RoboBrain 2.0 advances embodied AI research and serves as a practical step toward building generalist embodied agents. The code, checkpoint and benchmark are available at https://superrobobrain.github.io.