模型定位
Hy-Embodied-VLM-1.0 是為真實物理世界中的具身智慧代理設計的視覺語言基礎模型,由 Tencent Robotics X、Hy Vision Team 與福田實驗室共同打造。採用混合專家(MoE)架構,總參數約 30B,每個 token 啟用約 3B 參數;語言骨幹為 Hy3-A3B,視覺編碼器為 Hy-ViT2。(github.com)
能力與用途
- 接收文字與圖片輸入並產生文字;官方模型卡標示上下文長度為 32,768 tokens,每個提示最多可包含 128 張圖片。(huggingface.co)
- 著重動作相關狀態理解、動作與狀態變化推理,以及序列和自適應推理,可用於場景理解、行動規劃與具身代理研究;官方亦展示以單一模型支援閉環導航的應用。(github.com)
- 同一組權重支援思考與非思考模式,可按請求切換;官方提供 Hugging Face Transformers 和 vLLM 推論程式碼。(github.com)
限制與部署
模型的推理結果可能出錯;用於實體機器人時,仍需獨立的控制、安全檢查及實際環境驗證。官方建議服務部署每個副本使用 4 張 80 GB GPU,模型下載含快取約需 120 GB 磁碟空間。權重採 Apache-2.0 授權。(github.com)
價格
截至 2026-11-16,已查閱騰訊雲中國大陸及國際站的官方價格頁,均未核實到本模型的 API 輸入或輸出報價;不應將其他混元模型的價格套用於本模型。自行部署仍可能產生運算、儲存及其他基礎設施費用。(cloud.tencent.com)
發布日期與官方來源
- 發布日期:2026-07-15。(github.com)
- 官方 GitHub 公告與程式碼
- 官方模型卡與權重
- 價格查詢來源:騰訊雲中國大陸 TokenHub 價格頁;騰訊雲國際站 TokenHub 價格頁。查詢日期:2026-11-16。