モデルの位置づけ
物理世界で動作するエンボディドエージェント向けの視覚言語基盤モデル。Hy3-A3B言語バックボーンとHy-ViT2視覚エンコーダーを採用したMoEモデルで、総パラメータ数は約300億、トークンごとの活性化パラメータ数は約30億。Tencent Robotics X、Hy Vision Team、Futian Laboratoryによる成果として公開された。(github.com)
能力と用途
- 画像や言語に基づく物理状態・空間の理解、行動による状態変化の推論、長期的な計画と状況に応じた推論を目的とする。
- ロボット向けの場面理解や行動計画、指示追従ナビゲーション、物体を目標とする探索などに利用できる。ナビゲーションの評価は、モデルを空間表現などの仕組みと組み合わせた閉ループシステムで行われている。
- 推論モードと直接回答モードをリクエストごとに切り替えられる。開発元の評価では、同規模モデルとの比較で38ベンチマーク中19件が1位だった。(github.com)
提供形態と制限
重みとTransformers・vLLM向け推論コードが公開されており、モデルカードのライセンスはApache-2.0。自前運用には計算資源が必要で、公式リポジトリは高スループット提供向けに80 GB GPUを4基推奨している。ベンチマーク結果は評価条件下のものであり、実環境での安全性や成功を保証するものではない。ロボットに組み込む場合は、外部の制御・安全対策と用途別の検証が必要となる。(huggingface.co)
料金
2026年11月16日確認。中国国内向け公式料金表と国際向け公式料金表を確認したが、本モデルに固有のAPI入力・出力料金は確認できなかった。したがってCNY・USDとも金額および課金単位は未確認。重みの公開と、ホスト型APIの無料提供は同義ではなく、自前運用にはインフラ費用がかかり得る。(cloud.tencent.com)
公開日と公式情報
- 公開日:2026年7月15日。(github.com)
- 公式発表・コード
- 公式モデルカード・重み
- 公式技術レポート
- 料金確認先:中国国内向けTencent Cloud料金表、国際向けTencent Cloud料金表