ARTICLE · 1303851
RynnUnify 源码精读:8B 推理加 8B 视频生成,阿里达摩院把具身大脑做成「一个模型」
RynnUnify 源码精读:8B 推理加 8B 视频生成,阿里达摩院把具身大脑做成「一个模型」阿里达摩院 10 月底开源的 RynnUnify（arXiv:2610.32965）给「具身大脑」提供了一个新解法：16B 的统一模型，由 8B 自回归 Reasoner 和 8B 整流流视频 Generator 组成，两者交错执行视频-语言推理，再用 BCPO 强化学习决定「这一步直接回答还是调用视频生成」。仓库 77 星，代码含完整的 BCPO 训练实现。 
具身智能体面对的环境是动态的：下一秒会发生什么，决定了当前动作的对错。纯语言推理模型（Reasoner）擅长逻辑但看不见未来；视频生成模型（Generator）能「想象」未来画面但不会推理。RynnUnify 的架构让两者交替工作——Reasoner 分析当前状态，Generator 生成可能的未来帧，Reasoner 再基于想象出的未来继续推理。 这个设计的直觉很像人：司机过路口时不只看现状，会脑补「那辆车会不会抢」的画面，再决定踩不踩刹车。把「想象」显式地建进模型结构，而不是指望一个黑盒网络自己学会预测，是这条技术路线的核心主张。 仓库里最有读头的部分是 BCPO（论文的强化学习组件）的训练代码：train.py、trainer.py、rewards.py、selective_loss.py、selective_objective.py、selective_rollout.py 一整套都在 BCPO/rynn_rl/ 目录下。 BCPO 解决的问题是成本控制：视频生成的计算开销远大于文本推理，如果每一步都调用 Generator，推理速度和能耗都不可接受。BCPO 学习的策略是选择性地调用——只在「想象能带来信息增益」的节点触发视频生成，其余节点直接走语言推理。selective_loss 和 selective_objective 这两个文件的命名直接对应这个「选择性」目标。 这个思路对工程实践的启示超出机器人领域：任何「大模型+昂贵工具」的组合（调用搜索、调用仿真、调用专业模型）都面临同样的调度问题——什么时候值得花这个钱。RynnUnify 把这个决策本身做成了可学习的策略，而不是写死的规则。 论文还提到一个世界-动作扩展：把统一模型接到机器人控制上。这意味着 RynnUnify 的野心不只是「会想象的问答模型」，而是「能驱动机器人的大脑」——推理出该做什么，想象出做了之后的后果，再输出动作指令。扩展部分的代码在仓库里可以对照论文阅读。 复现角度：两个 8B 组件意味着完整模型需要多卡部署（16B 参数量推理约需 40GB 显存），但单组件可以分开跑——先跑 Reasoner 的纯文本推理，再跑 Generator 的视频生成，最后看 BCPO 的调度如何串联两者。仓库的 README 提供了各阶段的入口脚本。 具身大脑当前有两条路线在竞争：模块化（感知、决策、控制各一个模型，接口连接）和统一化（一个模型管全部）。RynnUnify 押注后者，但它的「统一」有层次——不是把所有能力塞进一个网络，而是把 Reasoner 和 Generator 两个专家放进一个框架统一训练和调度。这种「统一框架+专家组件」的折中，可能是当前算力约束下最务实的设计。 77 星还小，但达摩院的代码质量一向扎实，BCPO 的完整训练实现（而非只放推理代码）在这个领域不多见。对做具身智能或工具调度研究的团队，这个仓库值得 clone 下来读一遍 selective 系列的实现——「什么时候调用昂贵工具」这个问题，会越来越常见。 把 RynnUnify 放进具身大脑的竞品坐标系。路线一分：纯语言推理派（用大 LLM 直接驱动机器人，代表是各类 VLA 方案）结构简单但缺未来想象；路线二分：世界模型派（专门训练一个未来预测模型，代表是各家的 world model）预测精细但与语言决策脱节。RynnUnify 的「Reasoner+Generator 交错」是显式的第三条：两类专家共存，用强化学习调度——结构最重，但每个组件都可以独立升级换代（换更新的 LLM、换更强的视频模型），系统的可持续演进性反而最好。 这个「框架长青、组件可换」的思路值得架构决策者借鉴：在模型能力月月翻新的当下，把宝押在任何一个具体组件上都会快速过时，押在调度框架上才能吃到每个组件升级的红利。BCPO 就是这个框架的核心资产——它学的不是任务能力，是资源的分配策略。 对想上手的研究者，建议的实验梯度：第一步只跑 Reasoner 的纯文本推理，验证环境；第二步加载预训练的 Generator，跑几个「想象-推理」的案例看可视化输出；第三步进入 BCPO 训练部分，读 selective_rollout 的实现理解「选择性调用」在数据层面的表示。延伸实验的方向：把 Generator 换成其他视频模型测调度策略的迁移性；把任务域从机器人控制改到自动驾驶的轨迹想象；或者在 selective 目标里加入成本项（不同工具的调用代价不同）。77 星的仓库配上完整的训练代码，在具身智能的开源生态里属于「能真正复现」的那一档——这比星标数重要得多。 如实列出这个工作的边界，供读者判断其成熟度。第一，16B 的参数规模在具身模型里属于中量级，与头部 VLA 的百亿到千亿级相比，推理和想象的能力上限有待更大规模的验证。第二，论文的评测以受控任务为主，真实机器人在开放环境里的「想象是否可靠」（视频生成在物理一致性上的误差会不会误导决策）是最关键的未解问题——Generator 幻觉出一个不存在的未来，Reasoner 就会基于错误前提行动，BCPO 的选择性调用部分缓解但未根除这个风险。第三，世界-动作扩展在仓库里的实现深度待验证，论文摘要的描述与代码的完整度之间需要读者亲自对照。这些边界不否定架构的价值，但提醒我们：它是一份有诚意的中间成果，不是终局答案。 仓库地址在 alibaba-damo-academy/RynnUnify，arXiv:2610.32965。盯这个方向的读者可以连着 SimWAM、flux-action 一起看——具身大脑这个赛道的开源弹药，正在以周为单位补充。
