Tencent ने Hy-Embodied-VLM-1.0 जारी किया है, जो भौतिक दुनिया में संचालित होने वाले एम्बेडेड एजेंट्स के लिए डिज़ाइन किया गया एक कुशल मिक्स्चर-ऑफ़-एक्सपर्ट्स विज़न-लैंग्वेज फाउंडेशन मॉडल है। यह मॉडल 30 अरब कुल पैरामीटर में से प्रति टोकन केवल लगभग 3 अरब पैरामीटर सक्रिय करता है, उच्च इनफ़रेंस दक्षता को भौतिक दुनिया की मजबूत समझ के साथ संतुलित करने का लक्ष्य रखता है।
- कुशल MoE आर्किटेक्चर के भीतर Hy3-A3B भाषा बैकबोन और Hy-ViT2 विज़न एन्कोडर पर निर्मित।
- एम्बेडेड परसेप्शन और रीजनिंग को कवर करने वाले 38 बेंचमार्क्स में से 19 पर शीर्ष प्रदर्शन हासिल करता है, Qwen3.6-A3B और Cosmos 3 से बेहतर।
- पिछली पीढ़ी के Hy-Embodied-0.5 MoT-2B मॉडल की तुलना में औसत प्रदर्शन में 8.4% की सुधार करता है।
- रिजेक्शन-सैम्पलिंग फाइन-ट्यूनिंग के साथ रीइन्फोर्समेंट लर्निंग को जोड़ने वाला एक स्व-विकासशील पोस्ट-ट्रेनिंग लूप का उपयोग करता है।
- Hugging Face transformers और vLLM के लिए वेट्स और इनफ़रेंस कोड Apache 2.0 लाइसेंस के तहत उपलब्ध हैं।
इस रिलीज़ में एम्बेडेड एजेंट्स की लेटेंसी-संवेदनशील डिप्लॉयमेंट का समर्थन करने के लिए ओपन-सोर्स वेट्स और टूल्स प्रदान किए गए हैं, जिनके लिए मल्टी-टर्न इंटरैक्शन और लॉंग-होरिज़न रीजनिंग की आवश्यकता होती है।