随着人工智能技术的飞速发展，具身智能成为了当前研究的热点领域之一。具身智能强调智能体通过身体与环境的交互来实现对世界的理解和任务执行。在这一背景下，阿里达摩院推出了RynnEC 世界理解模型，为具身智能的发展注入了新的动力。
RynnEC 是阿里巴巴达摩院推出的一款专为具身认知任务设计的视频多模态大语言模型（MLLM）。它能够从位置、功能、数量等 11 个维度全面解析场景中的物体，支持物体理解、空间理解以及视频目标分割等功能。RynnEC 仅靠视频序列即可建立连续的空间感知，无需 3D 模型，支持灵活交互，为具身智能提供了强大的语义理解能力，助力机器人更好地理解物理世界。
（一）物体理解
RynnEC 能够从多个维度（如位置、功能、数量等）解析场景中的物体，支持对物体的详细描述和分类。例如，它可以识别出场景中的物体是什么，物体的颜色、形状、大小等特征，以及物体的功能和用途等。这种多维度的物体理解能力使得机器人能够更全面地认识周围环境中的物体，为后续的任务执行提供基础。
（二）空间理解
基于视频序列，RynnEC 能够建立连续的空间感知，支持 3D 感知，理解物体之间的空间关系。它能够感知物体在空间中的位置、距离、方向等信息，以及物体之间的相对位置关系，如物体 A 在物体 B 的左边、物体 C 在物体 D 的上方等。这种空间理解能力使得机器人能够在复杂的环境中进行导航、避障和物体操作等任务。
（三）视频目标分割
RynnEC 可以根据文本指令实现视频中的目标分割，支持对特定区域或物体的精确标注。用户可以通过自然语言指令告诉模型需要分割的目标，模型会根据指令识别并分割出视频中的相应目标。例如，用户可以指令“分割出视频中红色的汽车”，模型就会将视频中红色汽车的部分分割出来。这一功能在视频监控、医疗影像分析等领域具有广泛的应用前景。
（四）灵活交互
RynnEC 支持基于自然语言的交互，用户可以通过指令与模型进行实时沟通，获取反馈。这种交互方式使得机器人能够更好地理解人类的意图，执行相应的任务，提高了人机交互的自然性和便捷性。
（一）多模态融合
RynnEC 采用了多模态融合技术，将视频数据（包括图像和视频序列）与自然语言文本相结合。通过视频编码器（如 SigLIP-NaViT）提取视频特征，再利用语言模型进行语义理解，使得模型能够同时处理视觉和语言信息。这种多模态融合的方式充分发挥了视觉和语言两种模态的优势，提高了模型对场景和任务的理解能力。
（二）空间感知
模型基于视频序列建立连续的空间感知，无需额外的3D 模型。它利用时间序列信息和空间关系建模技术，让模型理解物体在空间中的位置和运动。通过对视频帧中物体的连续跟踪和分析，模型能够感知物体的运动轨迹、速度等信息，从而实现对空间的动态感知。
（三）目标分割
RynnEC 的目标分割技术是基于文本指令引导的。模型能够根据用户的指令识别和分割视频中的特定目标。它使用掩码（mask）和区域标注技术，实现对视频帧中特定区域的精确分割。这一技术的关键在于如何将文本指令与视频内容进行有效匹配，以及如何准确地生成分割掩码，从而实现对目标的精确分割。
（四）训练与优化
RynnEC 使用大规模的标注数据进行训练，包括图像问答、视频问答和视频目标问答等多种格式。采用分阶段训练策略，逐步优化模型的多模态理解和生成能力。此外，RynnEC 还支持 LORA（Low-Rank Adaptation）技术，基于合并权重进一步优化模型性能。通过这些训练和优化方法，RynnEC 能够在不同的任务和场景中表现出色，具备良好的泛化能力和适应性。
（一）家庭服务机器人
RynnEC 可以助力家庭机器人理解指令，精准定位并操作家庭环境中的物品。例如，用户可以指令机器人“拿遥控器”，机器人通过 RynnEC 的物体理解和空间理解能力，能够准确地找到遥控器的位置并将其拿取过来。这将极大地提升家居自动化水平，为人们的生活带来更多的便利。
（二）工业自动化
在工业场景中，RynnEC 能够帮助机器人识别和操作生产线上的物体，完成复杂任务。例如，机器人可以根据指令“将红色零件放在蓝色托盘上”，通过 RynnEC 的目标分割和空间理解能力，准确地识别出红色零件和蓝色托盘的位置，并将红色零件放置到蓝色托盘上。这将提高生产效率，降低人工成本，推动工业自动化的发展。
（三）智能安防
通过视频监控实时跟踪目标是RynnEC 在智能安防领域的重要应用。例如，安防人员可以指令“监控红色车辆”，RynnEC 能够根据指令在视频监控中实时跟踪红色车辆的轨迹，及时发现异常情况并发出警报。这将增强安防系统的智能化和响应能力，提高公共安全水平。
（四）医疗辅助
RynnEC 使医疗机器人能够理解指令并执行任务。例如，医疗机器人可以根据指令“送药品到病房 302”，通过 RynnEC 的空间理解能力，准确地找到病房 302 的位置，并将药品送达。此外，在医疗影像分析方面，RynnEC 的目标分割功能可以帮助医生更准确地识别病变区域，提高诊断的准确性和效率。
（五）教育培训
RynnEC 的视频分割技术可以辅助教学，增强学生对复杂概念的理解和学习体验。例如，在生物课上，教师可以使用 RynnEC 演示细胞结构的视频分割，让学生更直观地观察细胞的各个部分及其功能。这将丰富教学手段，提高教学效果。
RynnEC 的性能评估主要通过 RynnEC-Bench 进行。RynnEC-Bench 从“物体认知”和“空间认知”两个关键领域对模型进行评估，涵盖了 22 种具身认知能力。通过这些评估，可以全面了解 RynnEC 在不同任务和场景中的表现。从评估结果来看，RynnEC 在物体识别、空间关系理解、目标分割等任务上都表现出色，具备较高的准确性和鲁棒性。
（一）环境准备
在使用RynnEC 之前，需要确保系统满足以下基本依赖条件：
- Python >= 3.10
- Pytorch >= 2.4.0
- CUDA Version >= 11.8
- transformers >= 4.46.3
（二）安装步骤
1. 首先，通过以下命令克隆 RynnEC 的 GitHub 仓库：
git clone https://github.com/alibaba-damo-academy/RynnEC
2. 进入 RynnEC 文件夹：
cd RynnEC
3. 安装所需的包：
pip install -e .pip install flash-attn --no-build-isolation
（三）模型选择
RynnEC 提供了不同规模的模型供用户选择，包括 RynnEC-2B 和 RynnEC-7B。用户可以根据自己的需求和计算资源选择合适的模型。例如，如果计算资源有限，可以选择 RynnEC-2B 模型；如果对性能要求较高且计算资源充足，可以选择 RynnEC-7B 模型。
（四）启动本地演示
为了方便用户快速体验RynnEC 的功能，可以通过以下命令启动本地的 gradio 演示应用：
python inference/gradio_demo.py --model-path Alibaba-DAMO-Academy/RynnEC-2B
用户可以通过本地浏览器访问gradio 应用，输入指令并上传视频或图像，查看 RynnEC 的物体理解、空间理解和视频目标分割等功能的实时效果。
（五）训练与评估
如果用户需要对RynnEC 进行进一步的训练和评估，可以按照以下步骤操作：
1. 准备训练数据：根据 RynnEC 的要求，将标注数据组织成特定的格式，包括图像问答、视频问答和视频目标问答等格式。
2. 准备训练脚本：在 `scripts/train` 文件夹中提供了训练脚本的模板，用户可以根据自己的数据和模型设置修改相应的变量。
3. 开始训练：使用训练脚本启动训练过程，例如：
bash scripts/train/stage1.sh
4. 合并 LORA 权重：如果在训练阶段使用了 LORA 技术，训练完成后可以使用以下命令合并 LORA 权重：
python tools/merge_lora_weights.py --model_path checkpoints/stage4/checkpoint-xxx --save_path checkpoints/stage4_merge
5. 评估模型：使用 RynnEC-Bench 对训练后的模型进行评估，评估脚本位于 `scripts/eval` 文件夹中。例如：
bash scripts/eval/eval_object_property.sh
通过以上步骤，用户可以快速部署和使用RynnEC，体验其在具身智能领域的强大功能。
RynnEC 作为阿里达摩院推出的世界理解模型，为具身智能的发展提供了重要的技术支持。它通过多模态融合技术，实现了物体理解、空间理解和视频目标分割等功能，为机器人与环境的交互提供了强大的语义理解能力。RynnEC 在家庭服务机器人、工业自动化、智能安防、医疗辅助和教育培训等多个领域具有广泛的应用前景。
