← 全部模型

Hy-Embodied-VLM-1.0

發布時間 發布主體 Tencent

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