← 전체 모델

Hy-Embodied-VLM-1.0

발표일 발표 기관 Tencent

모델 개요

Hy-Embodied-VLM-1.0은 실제 물리 환경에서 작동하는 임바디드 에이전트를 위한 시각·언어 기반 모델이다. Tencent Robotics X, Hy Vision Team, Futian Laboratory가 개발했으며, 공식 발표일은 2026년 7월 15일이다. (github.com)

구조와 능력

  • Hy3-A3B 언어 백본과 Hy-ViT2 시각 인코더를 결합한 전문가 혼합(MoE) 모델이다. 전체 매개변수는 약 300억 개이며 토큰당 약 30억 개가 활성화된다.
  • 이미지와 텍스트를 바탕으로 행동 관련 상태 이해, 행동에 따른 상태 변화 추론, 순차적·적응적 추론을 수행하도록 설계됐다.
  • 사고 모드와 직접 답변 모드를 요청별로 선택할 수 있다. 공식 모델 카드에 명시된 컨텍스트 길이는 32,768토큰이며, 프롬프트당 이미지는 최대 128개다. (huggingface.co)

활용과 평가

로봇 및 임바디드 에이전트의 장면 이해, 행동 계획, 목표 확인, 시각·언어 기반 내비게이션 연구에 활용할 수 있다. 공식 기술 보고서는 38개 벤치마크 중 19개에서 비교 대상인 비슷한 규모의 모델들 가운데 1위를 기록했다고 보고한다. 내비게이션 평가는 별도의 공간 기억과 기하 처리 모듈을 결합한 에이전트 시스템에서 수행됐다. (arxiv.org)

배포와 제한

공식 가중치와 Transformers·vLLM 추론 코드가 공개됐으며, 라이선스는 Apache-2.0이다. 공식 문서는 고처리량 서빙 구성으로 복제본당 80GB GPU 4개를 권장한다. 평가 결과가 모든 실제 환경에서의 성공이나 안전한 자율 동작을 보장하는 것은 아니므로, 로봇에 통합할 때 별도의 환경별 검증과 안전장치가 필요하다. (github.com)

가격

조회일: 2026년 11월 16일. Tencent Cloud 중국 국내 및 국제 공식 가격표를 확인했으나, 이 특정 모델의 공식 API 입력·출력 요금은 확인되지 않았다. 따라서 CNY와 USD 금액 모두 미확인이다. 공개 가중치를 직접 배포할 경우에는 사용하는 컴퓨팅 및 운영 자원에 따른 비용이 발생할 수 있다. (cloud.tencent.com)

공식 출처