Tencent a publié Hy-Embodied-VLM-1.0, un modèle fondamental vision-langage à experts de mélange (Mixture-of-Experts) efficace, conçu pour les agents incarnés opérant dans le monde physique. Le modèle active environ 3 milliards de paramètres par token sur un total de 30 milliards, visant à équilibrer une haute efficacité d'inférence et une forte compréhension du monde physique.
- Construit sur la colonne vertébrale linguistique Hy3-A3B et l'encodeur visuel Hy-ViT2 au sein d'une architecture MoE efficace.
- Atteint des performances de pointe sur 19 des 38 benchmarks couvrant la perception et le raisonnement incarnés, surpassant Qwen3.6-A3B et Cosmos 3.
- Améliore les performances moyennes de 8,4 % par rapport au modèle MoT-2B Hy-Embodied-0.5 de génération précédente.
- Utilise une boucle d'entraînement postérieur auto-évolutive couplant l'apprentissage par renforcement avec le raffinement par échantillonnage rejeté.
- Les poids et le code d'inférence pour Hugging Face transformers et vLLM sont disponibles sous licence Apache 2.0.
Le lancement fournit des poids et outils open-source pour soutenir le déploiement sensible à la latence des agents incarnés nécessitant une interaction multi-tours et un raisonnement à long terme.