A Tencent lançou o Hy-Embodied-VLM-1.0, um modelo de base visão–linguagem Mixture-of-Experts eficiente projetado para agentes encarnados que operam no mundo físico. O modelo ativa apenas aproximadamente 3 bilhões de parâmetros por token, de um total de 30 bilhões, visando equilibrar alta eficiência de inferência com forte compreensão do mundo físico.

  • Construído sobre a espinha dorsal linguística Hy3-A3B e o codificador visual Hy-ViT2 dentro de uma arquitetura MoE eficiente.
  • Alcança desempenho de ponta em 19 dos 38 benchmarks que abrangem percepção e raciocínio encarnados, superando Qwen3.6-A3B e Cosmos 3.
  • Melhora o desempenho médio em 8,4% em comparação com o modelo anterior Hy-Embodied-0.5 MoT-2B.
  • Utiliza um loop de pós-treinamento autoevolutivo que acopla aprendizado por reforço com ajuste fino por amostragem de rejeição.
  • Os pesos e o código de inferência para transformers do Hugging Face e vLLM estão disponíveis sob a licença Apache 2.0.

O lançamento fornece pesos e ferramentas de código aberto para apoiar a implantação sensível à latência de agentes encarnados que requerem interação multi-turno e raciocínio de longo prazo.