阿里达摩院发 RynnUnify：16B 一个模型同时做具身理解、未来画面预测与机器人动作

10 月 23 日，阿里巴巴达摩院（DAMO Academy，与湖畔实验室合作）把 RynnUnify 的技术报告挂上 arXiv（2610.32965，CC BY 4.0），同族三份权重早一天在 Hugging Face 官方组织下放出。模型总计 16B：理解侧是 Qwen3-VL-8B-Instruct，生成侧是 Cosmos3Omni 的规划器加视觉生成，靠交错的视频–语言推理把「看懂当前画面」和「预判下一个子任务怎么演变」放进同一条上下文。

三份权重对应三种用法。Base 是 SFT 阶段的统一多模态模型，bf16 七个分片约 31.5GB，加载需要 trust_remote_code 的 cosmos3 自定义代码；Agentic-Reasoner 是强化学习后训练完再单独导出的 Qwen3-VL 8B（约 17.5GB），让模型自己判断什么时候该调视频预测去推未观测的状态；WAM-RoboCasa 在理解与预测之上接一个一步流匹配姿态动作头，直接出机器人动作。

数字都是作者自测：自建的 Rynn-VP（长程视觉规划）总分比 Cosmos 3 Nano 高 9.75 分，Rynn-GEU（前瞻推理）比直接推理高 6.0 分；世界动作版在 20 个 RoboCasa365 组合任务上成功率 51.5%，三个真机任务平均 46.7%。它改变的是一件具体的事——具身智能原先「VLM 理解、另一个策略出动作、再一个世界模型做预测」的多段拼接，正在压进单个模型的一次前向里。需要打折的地方也写明：权重是自定义许可（alibaba-damo-academy，不是标准开源许可），三个仓点赞只有 3、下载 30–41，厂商官网是 SPA 壳、本机未直读到公告页。

原文链接：阿里达摩院 / arXiv