# Hy-Embodied-0.5-VLA-UMI

> 权威词条地址：https://robotics.hellobike.com/models/tencent-hy-embodied-0-5-vla-umi
> 所属分类：models | 最近核验日期：2026-07-01 | 技术层级：L7, L8

## 核心摘要

tencent 在 Hugging Face 发布的机器人模型，架构为 HyVLA，参数规模 4.5B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/tencent/Hy-Embodied-0.5-VLA-UMI"] |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/tencent/Hy-Embodied-0.5-VLA-UMI"}] |
| `updated` | 2026-07-01 |
| `family` | vla |
| `params` | 4.5B |
| `architecture` | HyVLA |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | apache-2.0 |
| `weights_license` | apache-2.0 |
| `data_formats` | ["SafeTensors"] |
| `control_hz` | 10 |
| `status` | research |
| `hub_id` | tencent/Hy-Embodied-0.5-VLA-UMI |
| `hub_stats` | {"downloads": 224, "likes": 16, "as_of": "2026-10-21"} |

## 技术详解与生态说明

Hy-VLA-UMI 是 Hy-Embodied-0.5-VLA 的预训练检查点，定位为可端到端使用的 Vision-Language-Action 系统，并作为面向目标具身平台下游微调的通用起点。系统覆盖数据采集、模型设计、预训练、监督微调、RL 后训练和真实部署流程，基于 Hy-Embodied-0.5 MoT 骨干构建。

模型包含 370M 参数的双塔 flow-matching transformer 动作专家，预训练时采用单帧视频编码，SFT 阶段启用紧凑记忆编码器；动作表示为相对首帧的 delta EEF chunk，每臂 10 维，动作 horizon 为 50、频率 10 Hz。预训练数据来自 10,000+ 小时高保真 UMI 示教，通过定制指尖接口和光学动捕采集，覆盖约 1M episodes、70+ 任务。

该模型在 RoboTwin 2.0 benchmark 上报告 Clean / Randomized 为 90.9% / 90.1%，并展示了跨四个真实机器人平台的迁移。检查点包含基于完整 UMI 预训练语料得到的 norm_stats.pkl；若新数据统计差异较大，可重新生成。许可证为 Apache-2.0。

## 原始核验来源 (Sources)

- [Hugging Face tencent/Hy-Embodied-0.5-VLA-UMI](https://huggingface.co/tencent/Hy-Embodied-0.5-VLA-UMI)