Tencent ha lanzado Hy-Embodied-VLM-1.0, un modelo base eficiente de visión y lenguaje basado en Mixture-of-Experts diseñado para agentes encarnados que operan en el mundo físico. El modelo activa solo aproximadamente 3 mil millones de parámetros por token de un total de 30 mil millones, con el objetivo de equilibrar una alta eficiencia de inferencia con una sólida comprensión del mundo físico.
- Construido sobre la columna vertebral de lenguaje Hy3-A3B y el codificador de visión Hy-ViT2 dentro de una arquitectura MoE eficiente.
- Alcanza un rendimiento de vanguardia en 19 de los 38 benchmarks que cubren percepción y razonamiento encarnado, superando a Qwen3.6-A3B y Cosmos 3.
- Mejora el rendimiento promedio en un 8,4 % en comparación con el modelo anterior Hy-Embodied-0.5 MoT-2B.
- Utiliza un bucle de postentrenamiento autoevolutivo que acopla el aprendizaje por refuerzo con el ajuste fino mediante muestreo de rechazo.
- Los pesos y el código de inferencia para Hugging Face transformers y vLLM están disponibles bajo la licencia Apache 2.0.
El lanzamiento proporciona pesos y herramientas de código abierto para apoyar el despliegue sensible a la latencia de agentes encarnados que requieren interacción multironda y razonamiento a largo plazo.