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。