模型定位
Hy-Embodied-0.5-VLA-RoboTwin 是騰訊 Hy-Embodied-0.5-VLA 的視覺—語言—動作(VLA)模型檢查點,基於 UMI 預訓練版本,針對 RoboTwin 2.0 的 50 項雙臂操作任務進行監督式微調。模型權重依 Apache-2.0 授權發布。(huggingface.co)
能力與用途
- 接收多視角影像、機器人狀態及自然語言任務指令,產生連續動作片段,可用於模擬雙臂操作研究與評測。(huggingface.co)
- 架構包含視覺語言主幹、流匹配動作專家及多影格記憶編碼器;此檢查點使用目前影格與 5 個歷史影格。(huggingface.co)
- 官方報告在 RoboTwin 2.0 的 Clean 與 Randomized 設定下,平均成功率分別為 90.9% 與 90.1%;每項任務評估 100 次。這些結果是特定模擬基準的數據。(github.com)
限制
此檢查點針對 RoboTwin 任務微調,模擬測試結果不代表實際機器人或其他任務具有相同成功率。移植至新機器人平台時,官方建議重新計算正規化統計資料;實際部署亦須驗證安全性與相容性。官方建議使用支援 CUDA 的 NVIDIA GPU,顯示記憶體至少 16 GB。(huggingface.co)
發布日期
2026 年 6 月 15 日;官方公告同日發布程式碼、UMI 與 RoboTwin 檢查點及資料集。(github.com)
價格
截至 2026 年 11 月 16 日,查閱騰訊雲中國大陸站與國際站的官方模型價格頁後,未核實此特定 RoboTwin 檢查點的人民幣或美元 API 報價,輸入與輸出計費亦未核實;不能套用其他混元模型的價格。自行部署可能產生運算與基礎設施成本。(cloud.tencent.com)