Tencentは、物理世界で動作する具現化エージェント向けに設計された、効率的なMixture-of-Expertsビジョン・言語基盤モデルであるHy-Embodied-VLM-1.0をリリースしました。このモデルは、総パラメータ数30億のうち、トークンあたり約30億のパラメータのみを活性化し、高い推論効率と強力な物理世界の理解のバランスを取ることを目指しています。

  • 効率的なMoEアーキテクチャ内で、Hy3-A3B言語バックボーンとHy-ViT2ビジョンエンコーダを基盤としています。
  • 具現化知覚と推論をカバーする38のベンチマークのうち19で最先端のパフォーマンスを達成し、Qwen3.6-A3BやCosmos 3を上回ります。
  • 前世代のHy-Embodied-0.5 MoT-2Bモデルと比較して、平均パフォーマンスを8.4%向上させました。
  • 強化学習と拒否サンプリングファインチューニングを結合した自己進化型ポストトレーニングループを利用しています。
  • Hugging Face transformersおよびvLLM用の重みと推論コードがApache 2.0ライセンスの下で利用可能です。

今回のリリースにより、多ターン対話と長期推論を必要とする具現化エージェントのレイテンシ制約のあるデプロイメントをサポートするオープンソースの重みとツールが提供されます。