让机器人"想一步、做一步"听起来简单，难点全在"想象"二字——现有视觉语言模型看得懂场景，却推演不了动作之后世界会怎么变。阿里达摩院 10 月 23 日挂上 arXiv 的 RynnUnify 把"理解"和"想象"塞进了同一个模型：16B 统一具身模型，权重已经开源，论文登上 Hugging Face 论文日榜，拿到 31 票推荐。它看得懂环境，也能在"脑内"预演动作的后果，再把预演接到机器人的实际控制上。
一套架构，两个专家
RynnUnify 采用混合 Transformer 设计：8B 自回归 Reasoner 负责推理、空间定位与子任务规划，输出下一子任务、画面描述与时长；8B rectified-flow 视频 Generator 负责把"下一步"渲染成视频片段。二者通过联合注意力连接，Generator 以场景记忆和近期运动为条件生成预测。整套模型基于 NVIDIA Cosmos3 Nano 训练，是达摩院 Rynn 系列的最新成员。
先想象，再行动
核心机制是交错视觉规划：Reasoner 先给出下一个子任务，Generator 生成这段动作的结果视频，模型再依据想象出的画面规划下一步；跨块场景记忆、self-forcing 训练与自适应时长共同支撑长时序连贯规划。更有意思的是 BCPO（分支条件策略优化）：每个可路由问题采样 4 条直接回答加 4 条生成辅助轨迹，分支内用 GSPO 优化推理，分支间的奖励差则教会模型"什么时候值得想象"——奖励由格式合法性与答案质量相乘得出，相当于给模型装了一个"要不要先想一下"的路由开关。推理时 agent 自行决定直接作答还是先要一段视频证据；训练期间 Generator 冻结，只更新 agent。
官方评测数字
自建基准 Rynn-VP 衡量长时序视觉规划，Rynn-GEU 则覆盖空间推理、物理、动作推理与轨迹、可供性预测等题型。RynnUnify 在 Rynn-VP 总分 54.80，较 Cosmos 3 Nano（45.05）高 9.75 分；Rynn-GEU 上开启 Agentic 模式后拿到 50.0，比直接推理的 44.0 高 6.0。具身理解 10 项基准平均 57.9，高于 Cosmos 3 Nano（53.2）、RxBrain（44.9）与 BAGEL（28.0）——不过官方表格里自家纯理解模型 RynnBrain-8B 是 61.2，统一的代价看得见；Rynn-VP 上 GPT-5.6 Terra 拼装 MiniMax-H3 的组合系统也以 65.71 更高。机器人侧，WAM 扩展的动作头直接读取视频隐状态而非解码画面，在 RoboCasa365 精选 20 任务上成功率 51.5%，压过 CMA 的 47.0；Astribot S1 真机三任务平均 46.7%，对照 GR00T N1.7（26.7%）与 π0.5（25.0%）优势明显。
开源清单与冷思考
RynnUnify-Base、Agentic-Reasoner、WAM-RoboCasa 三个 checkpoint 已上架 Hugging Face 和魔搭社区，后两者都在 Base 之上训练，代码 Apache-2.0，仓库给出 BCPO 训练与视觉规划推理的完整脚本。冷水也要泼：Rynn-VP 与 Rynn-GEU 均为团队自建基准，以上对比全部出自官方评测口径，第三方复现尚未出现；真机评测只有三任务，样本有限。但"把世界模型当成推理时可调用的工具、用 RL 学会调用时机"这条路线，比单纯堆世界模型参数更接近"大脑"的本义——知道何时需要想象，本身就是一种智能。对做具身智能的团队来说，这套三件套还给了一条可复用的路线：理解、规划、行动共用一套视觉底座，而不是三个系统各自为战。
参考：arXiv:2610.32965；代码 github.com/alibaba-damo-academy/RynnUnify