Tencent выпустила Hy-Embodied-VLM-1.0, эффективную базовую зрительно-языковую модель на основе Mixture-of-Experts, предназначенную для воплощённых агентов, работающих в физическом мире. Модель активирует лишь около 3 миллиардов параметров на токен из общего числа в 30 миллиардов, стремясь сбалансировать высокую эффективность вывода с сильным пониманием физического мира.
- Построена на языковом бэкбоне Hy3-A3B и визуальном энкодере Hy-ViT2 внутри эффективной архитектуры MoE.
- Демонстрирует лучшие результаты в 19 из 38 бенчмарков, охватывающих восприятие и рассуждение воплощённых агентов, превосходя Qwen3.6-A3B и Cosmos 3.
- Улучшает средние показатели на 8,4% по сравнению с предыдущей моделью Hy-Embodied-0.5 MoT-2B поколения.
- Использует петлю самосовершенствования после обучения, сочетающую обучение с подкреплением с тонкой настройкой методом отклоняющей выборки (rejection-sampling).
- Веса и код вывода для Hugging Face transformers и vLLM доступны по лицензии Apache 2.0.
Выпуск предоставляет открытые веса и инструменты для поддержки развертывания воплощённых агентов, чувствительных к задержкам, требующих многошагового взаимодействия и рассуждения на длинной временной горизонта.