← 全部模型

Hy-Embodied-VLM-1.0

发布时间 发布主体 Tencent

模型定位

Hy-Embodied-VLM-1.0 是面向现实物理世界具身智能体的视觉语言基础模型,由腾讯 Robotics X、混元视觉团队与福田实验室联合研发。它采用混合专家(MoE)架构,总参数约 300 亿,每个 token 激活约 30 亿参数。(github.com)

能力与用途

  • 接收文本和图像,支持与动作相关的状态理解、动作与状态转变推理,以及多步骤、自适应推理,可用于机器人场景理解、空间推理和任务规划。(github.com)
  • 支持思考与非思考两种模式:前者适合复杂空间推理和多步骤规划,后者适合低延迟的直接问答。(github.com)
  • 官方提供模型权重及 Transformers、vLLM 推理代码,可用于自行部署和具身智能研究。Hugging Face 权重仓库标识为 tencent/Hy-Embodied-VLM-1.0,它不是此条记录的 API 模型 ID。(github.com)

限制与部署

  • 官方模型卡列出的上下文长度为 32,768 tokens,每个提示最多支持 128 张图像。(huggingface.co)
  • 官方称 BF16 权重约占 86 GB,下载含缓存需约 120 GB 磁盘空间;面向最高吞吐量的服务部署建议每个副本使用 4 张 80 GB GPU。实际资源需求取决于部署方式。(github.com)
  • 该模型是视觉语言基座;将其用于实际机器人时,仍需集成机器人系统并验证任务效果与安全性,不能将模型输出直接视为可靠的实体操作保证。
  • 官方仓库标注 Apache License 2.0,使用时应核对适用的许可文件。(github.com)

价格

截至 2026-11-16,检索腾讯云国内站和国际站 TokenHub 官方模型价格文档,均未核实到本模型对应的人民币或美元 API 报价;输入和输出计费价格均未核实。官方提供权重供自行部署,但硬件、存储及运行成本需自行承担。上述结果不代表所有平台均不提供该模型或其服务。(cloud.tencent.com)

发布日期与官方来源