腾讯旗下机器人实验室（Tencent Robotics X）、混元视觉团队与福田实验室于2026年7月15日正式发布Hy-Embodied-VLM-1.0，一款专为物理世界具身智能体设计的高效视觉语言基础模型。该模型总参数量约300亿，采用混合专家（MoE）架构，每处理一个token仅激活约30亿参数，在保持强大模型能力的同时，显著提升了推理效率。

模型权重及完整推理代码已在Hugging Face平台开源，采用Apache-2.0许可协议，同时支持HuggingFace transformers与vLLM两种推理框架。部署方面，全精度BF16模型约需86GB显存，单台8×80GB GPU节点即可运行。

Hy-Embodied-VLM-1.0的核心创新在于其行动导向的能力分类体系。研究团队定义了三个递进层次的具身智能能力：行动相关状态理解（准确感知智能体自身及环境状态）、行动-过渡推理（理解、规划行动并推演后果）、以及序列与自适应推理（长程规划、反思、修复与恢复）。围绕这一分类体系，团队系统性地构建了覆盖预训练与后训练阶段的数据管线与数据配比。

模型基于Hy3-A3B语言骨干网络与Hy-ViT2视觉编码器构建。其MoE架构中，每token从128个专家中激活8个外加1个共享专家，激活参数量仅为前代A32B系统的约十分之一，但整体性能已接近该前代系统水平。

在后训练阶段，团队引入自我进化后训练机制，通过强化学习与拒绝采样微调的循环迭代，从少量高质量思维轨迹种子出发，逐步培育模型的具身推理能力。最终阶段还训练了连续奖励与离散奖励两种强化学习策略并进行融合，兼顾几何精度与决策规划质量。

在涵盖具身感知、物理世界理解与具身推理的38项基准测试中，Hy-Embodied-VLM-1.0在19项上取得同尺寸模型最优成绩，在另外11项上位列第二。相比前代Hy-Embodied-0.5 MoT-2B，平均性能提升8.4%。该模型显著超越了Qwen3.6-A3B（平均领先4.4%）、Cosmos 3等强劲对手。在R2R-CE视觉语言导航任务（仅RGB输入设定）上达到最优水平，并在Matterport3D物体目标导航任务上展现出强大的零样本泛化能力。

值得关注的是，该模型不仅限于静态基准评测，在需要多轮交互与长程推理的具身智能体任务中也表现强劲。上下文长度支持32,768个token，单次提示最多可处理128张图像，并保持原生宽高比输入。

此次发布延续了腾讯在具身智能领域的开源节奏。此前，团队已先后于2026年4月发布HY-Embodied-0.5 MoT-2B，6月发布HY-VLA-0.5并公开超过2000小时的高保真UMI数据。Hy-Embodied-VLM-1.0的推出，标志着腾讯在构建高效、可部署的物理世界智能体基座模型上迈出了重要一步。