Tencent telah merilis Hy-Embodied-VLM-1.0, sebuah model fondasi visi-bahasa Mixture-of-Experts yang efisien yang dirancang untuk agen embodied yang beroperasi di dunia fisik. Model ini hanya mengaktifkan sekitar 3 miliar parameter per token dari total 30 miliar, bertujuan menyeimbangkan efisiensi inferensi tinggi dengan pemahaman dunia fisik yang kuat.
- Dibangun di atas backbone bahasa Hy3-A3B dan encoder visi Hy-ViT2 dalam arsitektur MoE yang efisien.
- Mencapai kinerja state-of-the-art pada 19 dari 38 benchmark yang mencakup persepsi dan penalaran embodied, mengungguli Qwen3.6-A3B dan Cosmos 3.
- Meningkatkan kinerja rata-rata sebesar 8,4% dibandingkan dengan model MoT-2B Hy-Embodied-0.5 generasi sebelumnya.
- Memanfaatkan loop pasca-pelatihan yang berevolusi sendiri yang menggabungkan pembelajaran penguatan dengan penyetelan halus pengambilan sampel penolakan.
- Bobot dan kode inferensi untuk Hugging Face transformers dan vLLM tersedia di bawah lisensi Apache 2.0.
Rilis ini menyediakan bobot dan alat open-source untuk mendukung penyebaran agen embodied yang sensitif terhadap latensi, yang memerlukan interaksi multi-giliran dan penalaran jangka panjang.