モデルの位置づけ
Hy-Embodied-0.5-VLA-UMIは、Tencent Robotics XとTencent Hy Teamが開発した視覚・言語・行動(VLA)システムの事前学習済みチェックポイントです。対象ロボットやタスクに合わせてファインチューニングするための汎用的な出発点として公開されています。公開日は2026年6月15日です。(github.com)
能力と用途
- 画像、言語指示、ロボットの状態を扱い、連続的なロボット操作の行動系列を生成します。両腕を使う物体操作や、異なるロボットへの転移を対象としています。
- Hy-Embodied-0.5の視覚言語バックボーンと、約3億7,000万パラメータのフローマッチング方式の行動エキスパートを組み合わせています。公開チェックポイントは、70種類以上のタスクを含む1万時間超のUMI実演データで事前学習されています。
- 用途には、対象ロボット向けの追加学習、操作ポリシーの研究、実機やシミュレーションへの展開が含まれます。(huggingface.co)
制限・利用条件
- UMI版は事前学習済みモデルであり、そのままであらゆるロボットや作業に対応する完成済み製品ではありません。対象環境に応じた追加学習、データの正規化、実機への組み込みと検証が必要です。
- 事前学習時の映像入力は単一フレームです。複数フレームを利用する場合は、メモリエンコーダーを有効化してファインチューニングする必要があります。
- 公式のRoboTwin 2.0評価値はシステムの追加学習後の評価であり、UMIチェックポイント単体の性能を保証するものではありません。重みのライセンスはApache-2.0です。(huggingface.co)
価格
2026年11月16日調査時点で、Tencentの中国国内向け公式サイトと国際向け公式サイトを確認しましたが、このUMIモデルに固有の公式API料金は確認できませんでした。人民元(CNY/RMB)・米ドル(USD)ともに、入力・出力別の課金額と単位は未確認です。公開重みを自前で実行する場合の計算資源などの費用は別途発生し得ます。(tairos.tencent.com)