Modelo visión-lenguaje-acción de DAMO Academy (Alibaba) construido sobre un modelo de generación de vídeo, que transfiere a brazos robóticos habilidades aprendidas de demostraciones humanas en primera persona.
Su preentrenamiento en dos fases con 12 millones de vídeos de manipulación mejora el rendimiento frente a modelos ajustados con los mismos datos.
Pesos abiertos (RynnVLA-001-7B-Base y -7B-Trajectory) en Hugging Face y código en GitHub, con licencia Apache 2.0.
7.000 millones de parámetros.
