أطلقت تيسنت (Tencent) نموذج Hy-Embodied-VLM-1.0، وهو نموذج أساسي للكلام والرؤية من نوع Mixture-of-Experts يتميز بالكفاءة، ومصمم للوكلاء الجسديين الذين يعملون في العالم المادي. ينشغ النموذج حوالي 3 مليارات معلمة لكل توكن من أصل إجمالي 30 ملياراً، بهدف تحقيق التوازن بين كفاءة الاستدلال العالية والفهم القوي للعالم المادي.
- مبني على العمود الفقري اللغوي Hy3-A3B ومُشفِّر الرؤية Hy-ViT2 ضمن بنية MoE الفعالة.
- يحقق أداءً متقدماً في 19 من أصل 38 معيار تقييم تغطي الإدراك الجسدي والاستدلال، متفوقاً على Qwen3.6-A3B و Cosmos 3.
- يحسن الأداء المتوسط بنسبة 8.4% مقارنة بنموذج Hy-Embodied-0.5 MoT-2B من الجيل السابق.
- يستخدم حلقة تدريب ما بعد التدريب ذاتية التطور تربط بين التعلم التعزيزي والضبط الدقيق عبر أخذ العينات الرفضية.
- الأوزان وكود الاستدلال لـ Hugging Face transformers و vLLM متاحة بموجب رخصة Apache 2.0.
يوفر هذا الإصدار أوزاناً وأدوات مفتوحة المصدر لدعم نشر الوكلاء الجسديين الحساسين للزمن، والتي تتطلب تفاعلاً متعدد الأدوار واستدلالاً طويل المدى.