Tencent RxBrain (Hy-Embodied-RxBrain-1.0)

RxBrain to próba wyposażenia robota w wyobraźnię w dosłownym sensie: obok zdania opisującego następny krok model generuje obraz świata po wykonaniu tego kroku. Wagi i raport techniczny wydał zespół Tencent Robotics X w lipcu 2026 r. na licencji Apache 2.0. Większość modeli planujących wypisuje tekst. RxBrain wypisuje jedno i drugie, przeplecione w jednym ciągu — wyuczony znacznik obrazu decyduje, kiedy przestać pisać, a zacząć rysować. Każdy zaplanowany etap ma więc postać pary: czynność w słowach i docelowa klatka w pikselach. Chodzi o to, by sprawdzać plan wobec wyobrażonego obrazu, a nie wobec opisu, który da się spełnić w niewłaściwy sposób. Rdzeniem jest mieszanka transformerów o około 6,2 mld parametrów, z osobnymi ścieżkami dla tekstu, obrazu i generowania obrazu wewnątrz jednego modelu, zamiast kilku osobnych. Wyobrażone klatki powstają w warstwie opartej na dopasowaniu przepływu, dekodującej do przestrzeni utrwalonego autokodera FLUX — Tencent nie trenował własnego dekodera obrazu, tylko wykorzystał cudzy i zostawił go bez zmian. Deklarowane są trzy zdolności: odpowiadanie na pytania i rozumowanie na podstawie zdjęć oraz wieloklatkowego wideo, przewidywanie najbliższych klatek, które przyniesie dana czynność, i rozbijanie zadania na kroki niosące jednocześnie polecenie i obraz celu. Zastrzeżenie jest to samo co przy reszcie tej rodziny: wyniki pochodzą od producenta, z publikacji arXiv 2607.14187, a niezależnego testu nie znaleźliśmy. Sprawdzalne jest natomiast to, że dostępne są wagi, kod i publiczne stanowisko demonstracyjne, a licencja to czysta Apache 2.0 bez wyłączeń terytorialnych — inaczej niż w bliźniaczym HY-Embodied-0.5-X, który nie obowiązuje w Unii Europejskiej. W ciągu 30 dni do 31 sierpnia 2026 r. model pobrano 149 razy. To niewiele i należy go czytać jako wydanie badawcze, a nie wdrożony produkt.

▸Wideo

Brak materiałów wideo.

▸Recenzje