2026年2月10日，阿里巴巴达摩院正式发布其自主研发的具身智能基础模型RynnBrain，并同步开源包含30B MoE 架构模型在内的7个全系列模型，以及全新评测基准RynnBrain-Bench。这一发布标志着具身智能从“动作执行”迈向“认知理解”的关键一步。
两大核心能力：时空记忆 + 物理空间推理
传统具身模型常因缺乏长期记忆而“健忘”，或因脱离物理上下文而产生“幻觉”。RynnBrain 针对性地引入两项基础能力：
时空记忆能力：使机器人能在完整历史轨迹中回溯物体位置、目标区域乃至运动路径，实现全局状态感知。例如，当执行任务A时被临时打断去处理任务B，RynnBrain 能准确记住任务A中断时的空间坐标与时间上下文，并在完成后无缝恢复。
- 物理空间推理机制：摒弃纯文本推理范式，采用文本描述与空间定位交错进行的策略，确保每一步推理都锚定于真实环境，显著降低幻觉风险 。
技术底座：基于 Qwen3-VL，训练效率翻倍
RynnBrain 在Qwen3-VL 视觉语言模型基础上构建，采用达摩院自研的RynnScale 训练架构，在同等算力资源下训练速度提升2倍。模型训练使用超过2000万对高质量具身交互数据，其中包括专门生成的100万对“第一人称视角”OCR问答数据，用于提升对药瓶标签、门牌号等细粒度物理信息的理解能力 。
性能全面领先：16项SOTA，超越谷歌与英伟达
在权威评测中，RynnBrain 在16项具身开源榜单上刷新纪录（SOTA），涵盖：
- 环境感知与对象推理
- 第一人称视觉问答（FPVQA）
- 三维空间推理
- 运动轨迹预测
其综合性能已超越谷歌 Gemini Robotics ER 1.5和英伟达 Cosmos Reason 2等国际顶尖模型 。
极致高效：30B MoE 模型仅激活 3B 参数
此次开源的RynnBrain-30B-MoE是业界首个采用混合专家（MoE）架构的具身大模型。尽管总参数达30B，但推理时仅激活约3B参数，即可超越72B稠密模型（如Pelican-VL）的效果，大幅降低硬件成本，同时提升机器人动作响应速度与流畅度 。
强可扩展性：数百条数据即可微调出SOTA专用模型
RynnBrain 具备优异的迁移能力。以具身规划任务为例，仅需几百条后训练样本微调，即可获得超越Gemini 3 Pro的性能，轻松达到SOTA水平。这使其有望成为导航、操作、任务规划等下游应用的统一基础模型 。
开源生态：模型 + 基准 + 代码全开放
达摩院此次不仅开源全部7个模型（含基础版与专用版），还发布了RynnBrain-Bench评测基准，首次系统支持时空细粒度具身任务评估，填补行业空白 。
达摩院具身智能实验室负责人赵德丽表示：“RynnBrain 首次实现了大脑对物理世界的深度理解与可靠规划，为‘大小脑分层架构’下的通用具身智能迈出关键一步。”
随着 RynnBrain 的全面开源，具身智能正加速从实验室走向工厂、厨房、物流等真实场景，推动 AI 真正“走进物理世界”。
大模型相关课程：
| 1 | 一 | 1.大模型的发展与局限性 |
| 2 | 二 | 1.1 ollama本地快速部署deepseek |
| 3 | 1.2 linux本地部署deepseek千问蒸馏版+web对话聊天 | |
| 4 | 1.3 linux本地部署通义万相2.1+deepseek视频生成 | |
| 5 | 1.4 Qwen2.5-Omni全模态大模型部署 | |
| 6 | 1.5 Stable Diffusion中文文生图模型部署 | |
| 7 | 1.6 DeepSeek-OCR部署尝鲜 | |
| 8 | 2.1 从零训练自己的大模型概述 | |
| 9 | 2.2 分词器 | |
| 10 | 2.3 预训练自己的模型 | |
| 11 | 2.4 微调自己的模型 | |
| 12 | 2.5 人类对齐训练自己的模型 | |
| 13 | 3.1 微调训练详解 | |
| 14 | 3.2 Llama-Factory微调训练deepseek-r1实践 | |
| 15 | 3.3 transform+LoRA代码微调deepseek实践 | |
| 16 | 4.1 文生图（Text-to-Image）模型发展史 | |
| 17 | 4.2 文生图GUI训练实践-真人写实生成 | |
| 18 | 4.3 文生图代码训练实践-真人写实生成 | |
| 19 | 5.1 文生视频（Text-to-Video）模型发展史 | |
| 20 | 5.2 文生视频（Text-to-Video）模型训练实践 | |
| 21 | 6.1 目标检测模型的发展史 | |
| 22 | 6.2 YOLO模型训练实践及目标跟踪 | |
| 23 | 三 | 1.1 Dify介绍 |
| 24 | 1.2 Dify安装 | |
| 25 | 1.3 Dify文本生成快速搭建旅游助手 | |
| 26 | 1.4 Dify聊天助手快速搭建智能淘宝店小二 | |
| 27 | 1.5 Dify agent快速搭建爬虫助手 | |
| 28 | 1.6 Dify工作流快速搭建数据可视化助手 | |
| 29 | 1.7 Dify chatflow快速搭建数据查询智能助手 | |
| 30 | 2.1 RAG介绍 | |
| 31 | 2.2 Spring AI-手动实现RAG | |
| 32 | 2.3 Spring AI-开箱即用完整实践RAG | |
| 33 | 2.4 LlamaIndex实现RAG | |
| 34 | 2.5 LlamaIndex构建RAG优化与实践 | |
| 35 | 2.6 LangChain实现RAG企业知识问答助手 | |
| 36 | 2.7 LangChain构建RAG企业知识问答助手实践 | |
| 37 | 3.1 agent核心功能与概念 |
与列非均匀校正(CNCM)-提升红外小目标检测精度)
