RxBrain：把「想像」寫進規劃序列的具身認知基座模型

週末的 Hugging Face Daily Papers 榜上，拿下 20 個讚居冠的是 Hy-Embodied-RxBrain，一個具身認知基座模型。論文要解的問題是具身智能的老難題：機器人執行任務時，高層的任務推理與實際要達成的物理狀態之間存在斷層,語言層面說得頭頭是道，落到物理世界就接不上。

RxBrain 的核心設計是把語言與視覺想像放進同一條規劃序列：模型在規劃時交錯產生語言推理步驟與想像中的視覺狀態，兩者互相約束。論文特別劃出與兩類現有路線的差異：視覺語言模型偏重場景理解與文字化決策，缺乏對未來物理狀態的具象預期；生成式世界模型主攻預測未來畫面，但預測與行動規劃之間缺乏語言層的可解釋連結。RxBrain 想同時吃下兩邊的優點。

具身智能領域今年的路線之爭愈演愈烈，本站先前報導過多家機器人基座模型的進展，表徵方式是分歧的核心：動作要不要語言化、世界狀態要不要顯式想像、規劃要端到端還是分層。RxBrain 把「想像」內化進規劃序列的做法，等於押注統一表徵這一邊。

歸剛點評：論文漂亮，但具身模型的考場在真機不在榜單——模擬環境的規劃序列再優雅，抓不起眼前那顆歪掉的杯子都是空談。看這類研究的實用檢查點只有兩個：有沒有真實機器人實驗、跨任務泛化的數字敢不敢報。押注統一表徵的隊伍愈來愈多，年底前應該會有更硬的對決。