騰訊旗下騰訊 Robotics X、福田實驗室與騰訊混元團隊聯合釋出了具身認知基礎模型 Hy-Embodied-RxBrain-1.0（簡稱 RxBrain），同步公開了技術報告、官方推理程式碼與模型權重。該模型引數量約 62 億，定位為面向具身智慧的統一多模態基礎模型，試圖用一個模型同時解決機器人理解、預測與規劃中的語言推理和視覺想象問題。

RxBrain 的核心設計在於將三項關鍵能力整合進單一的自迴歸序列：具身理解推理，可對影像與多幀影片進行問答和鏈式思維推理；世界狀態預測，能根據動作想象物理世界中即將出現的後續幀；聯合子目標規劃，將任務分解為步驟，併為每一步同時輸出下一步動作的語言描述和應達到的目標影像。這三者通過交錯生成機制實現——模型在自迴歸過程中交替輸出推理文本與流匹配生成的想象幀，由學習到的影像令牌決定何時進行視覺想象，從而將“做什麼”與“世界應呈現什麼狀態”逐步耦合。

在架構上，RxBrain 採用了統一混合 Transformer（Mixture-of-Transformers，MoT）設計，以約 62 億引數的主幹網路承載文本、視覺與生成三種模態的專用通路，使理解與影像合成共享一個自迴歸模型，而非傳統的分離式塔式結構。其影像生成部分依賴流匹配影像頭，將想象幀解碼至凍結的 FLUX VAE 潛空間，支援文本到影像、多幀世界模型推演以及目標影像規劃。

從產業視角看，RxBrain 的釋出標誌著具身智慧模型正從單一任務模組走向“理解—預測—規劃”一體化。傳統機器人系統通常將感知、規劃與控制拆分為獨立模組，而 RxBrain 嘗試在統一模型中完成從視覺理解到行動想象的閉環，這有助於減少模組間資訊損耗，提升端到端任務執行的連貫性。對於 AI 應用層而言，這類模型若能在真實機器人平台上穩定執行，將降低具身智慧系統的開發複雜度，並可能推動世界模型在工業自動化、服務機器人等場景的落地。

值得注意的是，該模型目前僅支援基於 Transformers 的推理（理解與生成），團隊在路線圖中列出了未來將支援 vLLM 推理、微調程式碼以及線上 Gradio 演示。其推理程式碼依賴特定版本的 Transformers 分支，尚未合併至主流發行版，這意味著早期使用者需要一定的工程適配能力。此外，影像生成功能需額外獲取 FLUX VAE 權重，模型許可採用“other”型別，具體商用條款需進一步確認。

在具身智慧賽道，將語言模型與視覺生成深度耦合的探索正成為前沿方向。RxBrain 的交錯推理與想象機制，為智慧體在複雜物理環境中進行多步規劃提供了新的技術路徑，其後續在實際機器人硬體上的表現與生態建設值得持續關注。