模型定位
Hy-Embodied-0.5-VLA-UMI 是騰訊 Robotics X 與 Hy 團隊發布的視覺—語言—動作(VLA)預訓練模型權重,定位為適配不同機器人本體與任務的通用微調起點,而非一般文字聊天模型。官方於 2026 年 6 月 15 日發布此模型、相關程式碼及資料集。(github.com)
能力與用途
- 結合視覺觀察、自然語言任務指令及機器人狀態,產生連續的機器人動作片段,可用於雙臂操作等具身智慧研究與下游任務微調。
- 以 Hy-Embodied-0.5 MoT 為視覺語言主幹,搭配約 3.7 億參數的雙塔流匹配動作專家;動作表示包含末端執行器的位置、旋轉與夾爪資訊。(github.com)
- 模型在超過 10,000 小時的高精度 UMI 示範資料上預訓練;官方公開的資料集包含超過 2,000 小時。預訓練採單影格模式,官方描述的多影格記憶編碼器在監督式微調階段啟用。(github.com)
限制與部署
- 此權重是預訓練起點;實際機器人與任務通常需要適配、微調及驗證。官方另發布 RoboTwin 後訓練權重,其基準成績不應直接視為本 UMI 權重的即用表現。(github.com)
- 官方建議使用 Linux、CUDA 12.x 與支援 CUDA 的 NVIDIA GPU,建議顯示記憶體至少 16 GB。實機操作仍需針對硬體、座標系與安全性進行整合和測試。(github.com)
- 程式庫與模型卡標示 Apache-2.0 授權;實際使用應遵循授權條款。(github.com)
價格
截至 2026 年 11 月 16 日,查閱騰訊雲中國大陸站及國際站官方定價資料,未核實此特定 UMI 模型的 API 報價;人民幣與美元的輸入、輸出計費金額及計費單位均未核實,不能套用其他混元模型價格。自行部署仍可能產生運算與基礎設施成本。(cloud.tencent.com)
- 官方定價查詢來源:騰訊雲中國大陸站 TokenHub 模型價格;騰訊雲國際站 TokenHub 模型價格。查詢日期:2026 年 11 月 16 日。