/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B-Instruct
Библиотека
transformers
Опубликована
31 янв 2026

RynnBrain-2B

Изображение и текст → текст3 профессии

Дообученная мультимодальная модель Qwen3-VL-2B для пространственного понимания изображений и видео, локализации объектов и ответов на вопросы о сценах.

28 223скачиваний за 30 дней26лайковвеса обновлены15 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

RynnBrain-2B — модель Alibaba DAMO Academy для понимания сцен с точки зрения наблюдателя и поддержки робототехнических систем. Это дообученная версия Qwen3-VL-2B-Instruct с архитектурой Qwen3-VL и 2 млрд параметров; модель принимает изображения и текст и формирует текстовые ответы. Карточка описывает задачи пространственного понимания, ответов на вопросы о сценах, подсчёта объектов, распознавания текста и понимания видео.

Модель предназначена для привязки языковых описаний к физическому пространству и времени, локализации объектов и целевых областей, а также предсказания траекторий. Её можно применять для анализа видео от первого лица, восприятия сцены роботом и подготовки пространственных сведений для последующего планирования. Карточка также описывает планирование для семейства RynnBrain, но не подтверждает, что все такие возможности относятся именно к версии 2B.

Модель поддерживает английский и китайский языки, распространяется в формате Safetensors и доступна по лицензии Apache-2.0. Для запуска в README указан Transformers 4.57.1. Описанные возможности относятся к восприятию и текстовым ответам; карточка не подтверждает непосредственное управление роботом или генерацию действий. Результаты локализации и планирования следует проверять в конкретном робототехническом сценарии.

Сценарии применения

  • ответы на вопросы о сценах от первого лица
  • подсчёт объектов на изображениях и в видео
  • распознавание текста в видеосценах
  • локализация объектов и целевых областей в пространстве
  • понимание отношений между объектами и их атрибутов
  • анализ видео для поддержки робототехнического планирования

Ограничения

Описание возможностей планирования дано для семейства RynnBrain в целом и не подтверждает их полный охват в версии 2B. Модель не заявлена как непосредственный контроллер робота; её текстовые ответы и пространственные выводы требуют проверки в целевом сценарии.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

📰 News

  • [2026.02.02] Release RynnBrain family weights and inference code.
  • [2026.02.02] Add cookbooks for cognition, localization, reasoning, and planning.

✨ Introduction

RynnBrain aims to serve as a physics-aware embodied brain: it observes egocentric scenes, grounds language to physical space and time, and supports downstream robotic systems with reliable localization and planning outputs.

Key Highlights

  • Comprehensive egocentric understanding
    Strong spatial comprehension and egocentric cognition across embodied QA, counting, OCR, and fine-grained video understanding.

  • Diverse spatiotemporal localization
    Locates objects, target areas, and predicts trajectories across long episodic context, enabling global spatial awareness.

  • Physical-space grounded reasoning (RynnBrain family)
    The broader RynnBrain family includes “Thinking” variants that interleave textual reasoning with spatial grounding to anchor reasoning in reality.

  • Physics-aware precise planning (RynnBrain family)
    Integrates localized affordances/areas/objects into planning outputs to provide downstream VLA models with precise instructions.

🌎 Model Zoo

ModelBase ModelHuggingfaceModelscope
RynnBrain-2B (This Checkpoint)Qwen3-VL-2B-InstructLinkLink
RynnBrain-8BQwen3-VL-8B-InstructLinkLink
RynnBrain-4BQwen3-VL-4B-InstructLinkLink
RynnBrain-30B-A3BQwen3-VL-30B-A3B-InstructLinkLink
RynnBrain‑CoP-8BRynnBrain-8BLinkLink
RynnBrain‑Plan-8BRynnBrain-8BLinkLink
RynnBrain‑Plan-30B-A3BRynnBrain-30B-A3BLinkLink
RynnBrain‑Nav-8BRynnBrain-8BLinkLink

🚀 Main Results

🤖 Quick Start

Minimal dependencies:

pip install transformers==4.57.1

Run text generation:

from transformers import AutoModelForImageTextToText

model = AutoModelForImageTextToText.from_pretrained("")
...

Cookbooks

Checkout the cookbooks that showcase RynnBrain's capabilities in cognition, localization, reasoning, and planning.

CategoryCookbook nameDescription
Cognition1_spatial_understanding.ipynbShows the ability of model for spaital understanding in the video scene.
Cognition2_object_understanding.ipynbShows how the model understands object categories, attributes, and relations and counting ability.
Cognition3_ocr.ipynbExamples of optical character recognition and text understanding in videos.
Location4_object_location.ipynbLocates specific objects with bounding boxes in an image or video based on instructions.
Location5_area_location.ipynbIdentifies and marks specified regions by points in an image or video.
Location6_affordance_location.ipynbFinds areas or objects with specific affordances in an image of video.
Location7_trajectory_location.ipynbInfers and annotates trajectories or motion paths in an image or video.
Location8_grasp_pose.ipynbPresent the model's abiltiy to predict robotic grasp poses from images.

📑 Citation

If you find RynnBrain useful for your research and applications, please cite using this BibTeX:

@article{damo2026rynnbrain,
  title={RynnBrain: Open Embodied Foundation Models},
  author={Ronghao Dang, Jiayan Guo, Bohan Hou, Sicong Leng, Kehan Li, Xin Li, Jiangpin Liu, Yunxuan Mao, Zhikai Wang, Yuqian Yuan, Minghao Zhu, Xiao Lin, Yang Bai, Qian Jiang, Yaxi Zhao, Minghua Zeng, Junlong Gao, Yuming Jiang, Jun Cen, Siteng Huang, Liuyi Wang, Wenqiao Zhang, Chengju Liu, Jianfei Yang, Shijian Lu, Deli Zhao},
  journal={arXiv preprint arXiv:2602.14979v1},
  year={2026},
  url = {https://arxiv.org/abs/2602.14979v1}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
ad71236

0 моделей