騰訊旗下機器人實驗室（Tencent Robotics X）、混元視覺團隊與福田實驗室於2026年7月15日正式發佈Hy-Embodied-VLM-1.0，一款專為物理世界具身智能體設計的高效視覺語言基礎模型。該模型總參數量約300億，採用混合專家（MoE）架構，每處理一個token僅激活約30億參數，在保持強大模型能力的同時，顯著提升了推理效率。

模型權重及完整推理代碼已在Hugging Face平臺開源，採用Apache-2.0許可協議，同時支持HuggingFace transformers與vLLM兩種推理框架。部署方面，全精度BF16模型約需86GB顯存，單臺8×80GB GPU節點即可運行。

Hy-Embodied-VLM-1.0的核心創新在於其行動導向的能力分類體系。研究團隊定義了三個遞進層次的具身智能能力：行動相關狀態理解（準確感知智能體自身及環境狀態）、行動-過渡推理（理解、規劃行動並推演後果）、以及序列與自適應推理（長程規劃、反思、修復與恢復）。圍繞這一分類體系，團隊系統性地構建了覆蓋預訓練與後訓練階段的數據管線與數據配比。

模型基於Hy3-A3B語言骨幹網絡與Hy-ViT2視覺編碼器構建。其MoE架構中，每token從128個專家中激活8個外加1個共享專家，激活參數量僅為前代A32B系統的約十分之一，但整體性能已接近該前代系統水平。

在後訓練階段，團隊引入自我進化後訓練機制，通過強化學習與拒絕採樣微調的循環迭代，從少量高質量思維軌跡種子出發，逐步培育模型的具身推理能力。最終階段還訓練了連續獎勵與離散獎勵兩種強化學習策略並進行融合，兼顧幾何精度與決策規劃質量。

在涵蓋具身感知、物理世界理解與具身推理的38項基準測試中，Hy-Embodied-VLM-1.0在19項上取得同尺寸模型最優成績，在另外11項上位列第二。相比前代Hy-Embodied-0.5 MoT-2B，平均性能提升8.4%。該模型顯著超越了Qwen3.6-A3B（平均領先4.4%）、Cosmos 3等強勁對手。在R2R-CE視覺語言導航任務（僅RGB輸入設定）上達到最優水平，並在Matterport3D物體目標導航任務上展現出強大的零樣本泛化能力。

值得關注的是，該模型不僅限於靜態基準評測，在需要多輪交互與長程推理的具身智能體任務中也表現強勁。上下文長度支持32,768個token，單次提示最多可處理128張圖像，並保持原生寬高比輸入。

此次發佈延續了騰訊在具身智能領域的開源節奏。此前，團隊已先後於2026年4月發佈HY-Embodied-0.5 MoT-2B，6月發佈HY-VLA-0.5並公開超過2000小時的高保真UMI數據。Hy-Embodied-VLM-1.0的推出，標誌著騰訊在構建高效、可部署的物理世界智能體基座模型上邁出了重要一步。