RynnBrain 1.1、接触点とネイティブ3D定位を具身基盤モデルに導入し、3種類のロボットを横断してVLAを訓練

Alibaba DAMO AcademyはRynnBrain 1.1を公開し、具身モデルを「シーンを理解する」段階から、制御ポリシーで利用可能な空間表現へと一歩近づけた。このシリーズには2B、9Bに加え、総パラメータ数122B、推論時に約10Bを活性化するMoE版が含まれる。いずれも具身知覚、時空間推論、定位、プランニングを扱い、新たに接触点予測を追加した。2B版と9B版はさらにネイティブ3D groundingをサポートし、モデルは画像内の領域を示すだけでなく、物体の三次元空間上の位置や操作可能な部位も記述できる。

さらに注目すべきなのがRynnBrain-VLAだ。チームは異なるembodimentを横断する統一アクション空間を構築し、embodiment-specific maskingによって、特定のロボットに存在しない関節や制御次元を隠すことで、単一のポリシーがUnitree G1、Astribot-S1、天機舞姫のデータを同時に学習できるよう試みている。この手法が有効であれば、ハードウェアを変更するたびにモデルやデータパイプラインを再構築するコストを削減できる。モデルの重み、コード、デモ用リソースも順次公開されている。

論文によると、122B-A10BはVSI-Bench、MMSI、RefSpatial-Benchにおいて、評価対象となったオープンモデルおよびクローズドモデルを上回った。また、RynnBrainで初期化した実機ポリシーも、チームが採用したQwenベースラインや複数の汎用VLAより優れた性能を示した。ただし、これらの数値をそのままデプロイ時の信頼性と同一視することはできない。評価機種とタスクは著者が選定しており、ロボットごとに異なる制御周波数、カメラキャリブレーション、ダイナミクス、安全上の制約が転移性能に影響する可能性がある。今後、エンジニアリングチームが注視すべき点は、公開された重みで結果を再現できるか、2Bモデルのエッジデバイス上でのレイテンシ、そして訓練に含まれていない新たなembodimentにも低コストで適応できるかどうかだ。