腾讯发布第二代具身 VLM 基座模型

7月17日，腾讯 Robotics X 实验室、福田实验室联合腾讯混元，正式推出了第二代具身 VLM 基座模型 Hy-Embodied-VLM-1.0。

这一发布在行业内引起了不小的关注。毕竟，具身智能领域这两年竞争激烈，各团队都希望在模型能力上抢先一步。

核心亮点：参数规模缩小十倍，性能接近上一代旗舰

在一套覆盖37个评测任务的具身能力测试中，Hy-Embodied-VLM-1.0 表现突出：

• 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
• 综合平均得分：65.6分

关键信息是：它仅用了 A3B 规模，整体性能就已经接近上一代 A32B 旗舰模型。

同时，它显著优于同等规模的 Qwen3.6-A3B、Cosmos 3-8B、Embodied-R1 等通用与具身模型。

换句话说，参数规模缩小了十倍，能力却几乎没打折扣，效率提升非常亮眼。

模型能力的三层架构

模型从三个层次构建能力：

• 物理空间状态理解：能识别物体属性、判断深度和空间关系，理解机器人视角下的功能部件、可操作区域，以及环境中的“可供性”——即哪些东西能用来做什么。
• 动作-变化理解：结合人机交互的语义、目标对象和任务约束，可以完成下一步动作选择、目标定位和轨迹规划。
• 时序和自适应推理：判断空间前置条件是否满足、动作是否可行，以及局部物理影响。

这意味着，它不仅能感知场景，还能分析行动、规划路线，甚至完成导航这类复杂的多模态任务。

面向长时程任务的全面能力

当面向长时程任务时，模型的能力更加全面。它具备以下能力：

• 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
• 动态重规划

它可以根据目标、执行进度和环境反馈持续修正决策，最终实现从场景理解、局部因果推理到长期自适应执行的完整闭环。

开源地址

附上开源地址，供感兴趣的读者进一步研究：

• https://github.com/Tencent-Hunyuan/HY-Embodied

• https://huggingface.co/tencent/Hy-Embodied-VLM-1.0

《夸克》非常好用的免费AI浏览器

下载APP查看