# Hy-Embodied-VLM-1.0

> 权威词条地址：https://robotics.hellobike.com/models/tencent-hy-embodied-vlm-1-0
> 所属分类：models | 最近核验日期：2026-07-15 | 技术层级：L7

## 核心摘要

tencent 在 Hugging Face 发布的机器人模型，架构为 HYV3VLForConditionalGeneration，参数规模 30.5B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `layers` | ["L7"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/tencent/Hy-Embodied-VLM-1.0"}] |
| `updated` | 2026-07-15 |
| `family` | other |
| `params` | 30.5B |
| `architecture` | HYV3VLForConditionalGeneration |
| `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"] |
| `status` | research |
| `hub_id` | tencent/Hy-Embodied-VLM-1.0 |
| `hub_stats` | {"downloads": 722, "likes": 26, "as_of": "2026-10-21"} |
| `overview_sources` | ["https://huggingface.co/tencent/Hy-Embodied-VLM-1.0"] |

## 技术详解与生态说明

Hy-Embodied-VLM-1.0 是面向物理世界具身智能体的视觉语言基础模型，采用高效 Mixture-of-Experts 设计，总参数约 30B，每个 token 仅激活约 3B 参数。模型面向具身感知、物理世界理解、具身推理，以及需要多轮交互和长程推理的 agentic 任务。输出支持同一权重下按请求切换 reasoning 模式，enable_thinking 默认用于复杂空间推理、规划和多步任务。

模型基于 Hy3-A3B 语言骨干和 Hy-ViT2 视觉编码器，架构为 HYV3VLForConditionalGeneration，支持最长 32,768 token 上下文、BF16 精度，以及每个 prompt 最多 128 张图像输入。训练设计围绕动作中心能力分类展开，包括动作相关状态理解、动作—转移推理、序列与自适应推理；后训练包含强化学习与 rejection-sampling fine-tuning 的自演化流程。

评测覆盖 38 个具身相关 benchmark，涵盖具身感知、物理世界理解和具身推理；模型在其中 19 个 benchmark 排名第一、另有 11 个排名第二，并在 R2R-CE 视觉语言导航 RGB-only 设置和 Matterport3D Object Goal Navigation 零样本设置上报告了表现。推荐用 vLLM 部署，也提供 HuggingFace transformers 单实例/离线推理路径；BF16 权重约 86 GB，完整精度推理建议单个 8×80 GB GPU 节点。

## 原始核验来源 (Sources)

- [Hugging Face tencent/Hy-Embodied-VLM-1.0](https://huggingface.co/tencent/Hy-Embodied-VLM-1.0)