腾讯发布了 Hy-Embodied-VLM-1.0，这是一种高效的混合专家（Mixture-of-Experts）视觉-语言基础模型，专为在物理世界中运行的具身智能体设计。该模型从总共 300 亿参数中，每个 token 仅激活约 30 亿个参数，旨在平衡高推理效率与强大的物理世界理解能力。

  • 基于 Hy3-A3B 语言主干和 Hy-ViT2 视觉编码器构建，采用高效的 MoE 架构。
  • 在涵盖具身感知和推理的 38 项基准测试中的 19 项上取得了最先进性能，优于 Qwen3.6-A3B 和 Cosmos 3。
  • 与上一代 Hy-Embodied-0.5 MoT-2B 模型相比，平均性能提升了 8.4%。
  • 利用将强化学习与拒绝采样微调相结合的自进化后训练循环。
  • Hugging Face transformers 和 vLLM 的权重及推理代码在 Apache 2.0 许可证下提供。

此次发布提供了开源权重和工具，以支持需要多轮交互和长程推理的具身智能体的低延迟部署。