Hy-Embodied-VLM-1.0:建構高效物理世界具身智能基礎模型

本文介紹了Hy-Embodied-VLM-1.0,一款專為物理世界交互設計的高效具身基礎模型。針對具身智能體在感知、推理及動態適應方面的挑戰,研究提出了一種以動作為核心的能力分類體系,涵蓋狀態理解、轉換推理及序列自適應推理三個維度。模型基於Hy3-A3B語言骨干和Hy-ViT2視覺編碼器構建,採用混合專家架構以平衡容量與推理效率。在涵蓋38個基準的廣泛評估中,該模型在19個任務上達到同類最佳水平,顯著優於Qwen3.6-A3B等競品,相比上一代模型平均性能提升8.4%,且僅激活3B參數即可媲美32B參數模型,展現了卓越的推理與交互能力。

Sources