騰訊發佈具身 VLM 基座模型 Hy-Embodied-VLM-1.0，A3B 規模整體性能接近上一代 A32B 模型

騰訊於昨日（7月16日）正式發表第二代具身視覺語言模型（VLM）基座模型Hy-Embodied-VLM-1.0。該模型由騰訊Robotics X實驗室、福田實驗室與騰訊混元團隊聯合打造，採用A3B規模，整體性能已接近上一代A32B旗艦模型，為具身智慧領域的輕量化高效模型立下新標竿。根據騰訊公布的評測結果，Hy-Embodied-VLM-1.0在涵蓋37項任務的具身能力評估體系中表現出色。三大核心維度——物理狀態理解、動作‑變化推理、時序與自適應推理分別獲得68.6分、64.1分與57.4分，綜合平均得分達到65.6。官方指出，該模型不僅顯著優於同參數量級的Qwen3.

6-A3B、Cosmos 3-8B以及Embodied-R1等通用或具身模型，更逼近上一代A32B旗艦模型的水準。VLM（Vision-Language Model）結合視覺與語言，使機器人能理解複雜的環境指令並執行任務。Hy-Embodied-VLM-1.0特別從物理空間狀態理解、動作‑變化理解以及時序和自適應推理三個層次強化能力，為機器人Agent提供更全面的多模態感知與決策基礎。在感知層面，該模型能夠辨識物體種類、屬性、深度以及物體間的空間關係，也能理解機器人自身的視角、機械功能部件、可操作區域以及環境中的可供性（affordance），形成與當前任務高度相關的物理世界狀態表徵。

這項環境理解能力是後續推理與行動的根基。在推理與規劃層面，Hy-Embodied-VLM-1.0可結合人機互動語義、目標對象與任務約束，進行下一步動作的選擇，並定位目標與運動軌跡。同時，它能判斷行動的空間前置條件是否滿足、評估動作的可執行性，以及預測局部物理環境可能受到的影響，讓機器人在動態場景中做出更合理的即時決策。面對長時程與多階段的複雜任務，該模型展現出先進的自主規劃能力。依據官方資料，它支援多步任務規劃、視覺語言導航、歷史與空間記憶存取、失敗診斷、反事實分析以及動態重新規劃；換言之，機器人可以依據任務目標、目前執行進度與環境反饋，持續修正自己的行為策略，而不是僅執行固定的程式。

騰訊強調，這套模型實現了從場景理解、局部因果推理到長期自適應執行的完整能力鏈，使機器人應用在真實世界中具備更高的自主性與適應性。對於機器人產業開發者而言，Hy-Embodied-VLM-1.0提供了一個兼具效率與效能的基座，可應用於服務型機器人、工業自動化、智慧家庭等多元情境。值得一提的是，Hy-Embodied-VLM-1.0已在開源社群上架。騰訊於GitHub與Hugging Face平台同步釋出模型相關資源，讓學術界與業界開發者能夠免費取得、進行研究與二次開發，此舉有望加速具身智慧領域的技術擴散與協作創新。隨著Hy-Embodied-VLM-1.

0的推出，騰訊在機器人基礎模型方面展現了從巨量旗艦到高效率輕量模型的完整布局。該公司Robotics X實驗室與混元團隊持續投入，目標是打造能適應真實物理世界、可長時自主運作的機器人智慧。業界普遍預期，這類基於VLM的具身模型將成為下一代機器人系統的核心引擎。