/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
13 апр 2026

RynnBrain-4B

Изображение и текст → текст3 профессии

RynnBrain-4B — дообученная vision-language-модель для пространственного понимания сцен и видео от первого лица, распознавания объектов и поддержки робототехнической локализации.

33скачиваний за 30 дней5лайковвеса обновлены13 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-4B — мультимодальная модель семейства RynnBrain от Alibaba DAMO Academy для понимания сцен с точки зрения наблюдателя и поддержки робототехнических систем. Это дообученная плотная vision-language-модель на архитектуре Qwen3-VL с примерно 4 млрд параметров; она принимает изображения и текст, а для анализа видео может работать с последовательностями визуальных кадров и выдавать текстовые ответы и пространственные описания. Модель предназначена для embodied QA, распознавания объектов и их отношений, подсчёта, OCR, пространственной локализации и понимания видео. Семейство RynnBrain также включает варианты для рассуждений и планирования, однако README не подтверждает, что все эти возможности входят именно в данный чекпойнт.

Модель ориентирована на сцены от первого лица и связывает язык с пространственными и временными характеристиками окружения. Она может применяться для анализа видео, поиска объектов и областей интереса, а также подготовки локализационной информации для последующих робототехнических систем. В метаданных указаны английский и китайский языки. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. README приводит Qwen3-VL-4B-Instruct как базу именно для этого чекпойнта, тогда как метаданные связывают его с Qwen3-VL-8B-Instruct, поэтому точная базовая модель по источникам расходится.

Сценарии применения

  • Ответы на вопросы о сценах от первого лица
  • Поиск и локализация объектов в изображениях и видео
  • Подсчёт объектов и определение их отношений
  • Распознавание текста на кадрах видео
  • Пространственный анализ и описание окружения для робототехнических систем

Ограничения

README описывает часть задач и планирование на уровне всего семейства, поэтому их доступность именно в RynnBrain-4B не подтверждена. README указывает Qwen3-VL-4B-Instruct как базу, а метаданные — Qwen3-VL-8B-Instruct.

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-2BQwen3-VL-2B-InstructLinkLink
RynnBrain-4B (This Checkpoint)Qwen3-VL-4B-InstructLinkLink
RynnBrain-8BQwen3-VL-8B-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
d464f49

0 моделей