HY-Embodied-0.5：面向现实世界智能体的使用具身基础模型

我们推出了 HY-Embodied-0.5，一系列专为真实世界具身智能体设计的基础模型。为了弥补通用视觉语言模型（VLM）与具身智能体需求之间的差距，我们的模型旨在增强具身智能所需的核性能力：空间和时间视觉感知，以及用于预测、交互和规划的高级具身推理。HY-Embodied-0.5 系列包含两个主要变体：一个拥有 20 亿激活参数的高效模型，专为边缘侧部署设计；一个拥有 320 亿激活参数的强大模型，针对复杂推理。为了支持具身任务至关重要的细粒度视觉感知，我们采用了混合 Transformer（MoT）架构以实现模态特定的计算。通过引入潜在 token，该设计有效增强了模型的感知表示。为了提升推理能力，我们引入了一种迭代、自演进的后期训练范式。此外，我们采用在线策略蒸馏将大模型的高级能力迁移到小模型变体，从而最大化紧凑型模型的性能潜力。在涵盖视觉感知、空间推理和具身理解的 22 个基准测试中的广泛评估证明了我们方法的有效性。我们的 MoT-2B 模型在 16 个基准上优于同等规模的最先进模型，而 32B 变体达到了与 Gemini 3.0 Pro 等顶尖模型相当的性能。在下游机器人控制实验中，我们利用强大的 VLM 基础训练了一个有效的视觉-语言-动作（VLA）模型，并在真实世界的物理评估中取得了引人注目的结果。代码和模型已在 https://github.com/Tencent-Hunyuan/HY-Embodied 开源。