Tencent が Hy-Embodied-RxBrain-1.0 をリリース ── 言語思考と視覚イメージを同時にこなすロボット向け基盤モデル
ロボットが自分のやるべきことを言語で理解しつつ、未来の状況を映像としてイメージできるって、めちゃくちゃエモい。Tencent がそんな未来を予感させる新しいマルチモーダル基盤モデル「Hy-Embodied-RxBrain-1.0」を公開した。物理世界で動く AI に必要な「想像力」を、1つのモデルに見事に詰め込んでいる。
▸何が変わったのか
最大のポイントは、約6.2Bパラメータの「Unified Mixture-of-Transformers (MoT)」を採用したこと。テキスト・視覚・生成の各モダリティを1つの自己回帰モデルに統合している。さらに「Interleaved Reasoning + Imagination」として、1つのシーケンス内でテキストの推論と生成画像を交互に出力可能。FLUX VAE の潜在空間にデコードする「Flow-Matching Image Head」により、アクションの結果として近未来のフレームを予測する。これにより、「次に何をすべきか（言語）」と「どうなれば正解か（視覚）」をセットで計画できるようになった。
◈前モデル / 競合との比較
理解と画像生成で別々のモデル（タワー）を使う従来アプローチとは異なり、1つの自己回帰シーケンスの中で言語推論と flow-matched されたイメージフレームを交互に出力する点が最大の特徴。
◈技術背景と意義
現実世界で動くロボットにとって、ただ目の前の状況を認識するだけでは不十分。「こう動かしたら、こうなるだろう」という未来予測が不可欠だ。RxBrain は、その「物理世界の想像力」を言語による思考とガッツリ結びつけている。頭の中で「コップを持ち上げる」と推論したら、同時にその未来の映像をフローマッチングで生成するようなイメージ。まさにロボットに本当の「身体知」を持たせるための強力なアプローチだ。
▸こんな人・用途に
画像や複数フレームの動画を用いた、ステップ・バイ・ステップの質疑応答と連鎖的推論。ロボットのタスクを細分化し、各ステップで次のアクション（言語）と到達すべき目標画像（視覚）を出力する共同サブゴール計画。テキストからの画像生成や、複数フレームにわたるワールドモデルの展開。
◆入手方法・リンク
モデルの重みは Hugging Face で公開されている。推論コードは GitHub リポジトリ（github.com/Tencent-Hunyuan/Hy-Embodied-RxBrain-1.0）からクローン可能。なお、動作には特定コミットの Transformers と FLUX VAE の ae.safetensors が別途必要なので注意。
SOURCE: Tencent (2026-07-14)
