PhysBrain 1.5-8B 是一个具身视觉语言模型，面向物理交互中的世界理解、目标导向动作生成和环境演化预测。它将语言响应、结构化空间输出、末端执行器轨迹和未来世界状态都表示为离散 token，在统一的自回归骨干上做 next-token prediction，不使用任务专用 head。

模型基于预训练 Qwen3-VL，并扩展了专用的动作与视觉状态 token。评估覆盖具身理解、动作预测和未来状态预测；在 28 个具身空间智能与规划 benchmark 上，8B 模型总体分数为 72.5，并在所评估开源模型中排名第一。

动作预测输入任务指令、当前视觉观测和可选近期动作历史，输出 ActionPiece token 形式的下一段末端执行器动作；未来状态预测则根据当前视觉观测和任务指令生成可能的一秒后 RGB 图像、深度图和机器人 mask。模型接口兼容 Transformers、vLLM、SGLang、LLaMA-Factory、ms-swift 和 veRL 等工具。