腾讯新出的具身模型 Hy-Embodied-VLM-1.0，只用 A3B 参数量就接近 A32B 的效果，37 个任务平均 65.6 分，还开源了。搞具身智能的朋友可以试试。
腾讯 Robotics X 实验室、福田实验室联合腾讯混元发布第二代具身 VLM 基座模型 Hy-Embodied-VLM-1.0。在覆盖 37 个评测任务的评测体系中，该模型综合平均得分 65.6，其中物理状态理解 68.6 分、动作-变化推理 64.1 分、时序与自适应推理 57.4 分。模型采用 A3B 规模，整体性能接近上一代 A32B 旗舰模型，并优于同等规模的 Qwen3.6-A3B、Cosmos 3-8B、Embodied-R1。该模型从物理空间状态理解、动作-变化理解、时序和自适应推理三个层次构建能力，支持场景感知、动作规划、导航等长时程任务。
腾讯发布具身 VLM 基座模型 Hy-Embodied-VLM-1.0，A3B 规模整体性能接近上一代 A32B 模型
IT之家 7 月 17 日消息，腾讯 Robotics X 实验室、福田实验室联合腾讯混元打造的第二代具身 VLM 基座模型 Hy-Embodied-VLM-1.0 昨日正式发布。 官方表示，在覆盖 37 个评测任务的具身能力评测体系中，Hy-Embodied-VLM-1.0 在物理状态理解、动作 — 变化推理、时序与自适应推理三大维度分别取得 68.6、64.1 和 57.4 分，综合平均得分达到 65.6， 仅采用 A3B 规模，模型整体性能已接近上一代 A32B 旗舰模型 ，并显著优于同等规模的 Qwen3.6-A3B、Cosmos 3-8B、Embodied-R1 通用与具身模型。 据介绍，这一模型从物理空间状态理解、动作-变化理解、时序和自适应推理三个层次构建模型能力维度，增强了场景感知、行动分析规划、导航等面向具身 Agent 的多模态理解能力。 模型能够识别物体、属性、深度与空间关系，理解机器人视角、功能部件、可操作区域及环境可供性，形成与当前任务相关的物理世界状态表征。进一步地，模型可结合人机交互语义、目标对象与任务约束，完成下一步动作选择、目标与轨迹定位，并判断空间前置条件、动作可执行性及其局部物理影响。 面向长时程任务，模型还具备多步规划、视觉语言导航、历史与空间记忆、失败诊断、反事实分析和动态重规划能力，可依据目标、执行进度与环境反馈持续修正决策，实现从场景理解、局部因果推理到长期自适应执行的完整能力覆盖。 IT之家附开源链接： https://github.com/Tencent-Hunyuan/HY-Embodied https://huggingface.co/tencent/Hy-Embodied-VLM-1.0