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。