Tencent ra mắt mô hình Hy-Embodied-VLM-1.0: Hiệu năng vượt trội với kích thước siêu nhỏ

Theo tin từ IT ngày 17 tháng 7, mô hình nền tảng VLM hiện thân thế hệ thứ hai mang tên Hy-Embodied-VLM-1.0, được đồng phát triển bởi Phòng thí nghiệm Robotics X của Tencent, Phòng thí nghiệm Futian và Tencent Hunyuan, đã chính thức ra mắt vào ngày hôm qua.

Theo thông tin chính thức, trong hệ thống đánh giá năng lực hiện thân bao gồm 37 nhiệm vụ, Hy-Embodied-VLM-1.0 đạt lần lượt 68,6 điểm về hiểu trạng thái vật lý, 64,1 điểm về suy luận hành động - thay đổi và 57,4 điểm về suy luận trình tự và thích ứng, với điểm trung bình tổng thể đạt 65,6. Dù chỉ sử dụng quy mô A3B, hiệu suất tổng thể của mô hình đã tiệm cận với thế hệ mô hình flagship A32B trước đó và vượt trội đáng kể so với các mô hình đa năng và hiện thân cùng quy mô như Qwen3.6-A3B, Cosmos 3-8B và Embodied-R1.

Được biết, mô hình này xây dựng các khía cạnh năng lực dựa trên ba cấp độ: hiểu trạng thái không gian vật lý, hiểu hành động - thay đổi, cùng suy luận trình tự và thích ứng, qua đó tăng cường khả năng hiểu đa phương thức cho các tác nhân hiện thân (Embodied Agent) như nhận thức bối cảnh, phân tích và lập kế hoạch hành động, cũng như điều hướng.

Mô hình có khả năng nhận diện vật thể, thuộc tính, độ sâu và mối quan hệ không gian; hiểu góc nhìn của robot, các bộ phận chức năng, khu vực có thể thao tác và khả năng tương tác với môi trường (affordance), từ đó hình thành biểu diễn trạng thái thế giới vật lý liên quan đến nhiệm vụ hiện tại. Hơn nữa, mô hình có thể kết hợp ngữ nghĩa tương tác người-máy, đối tượng mục tiêu và các ràng buộc nhiệm vụ để thực hiện việc lựa chọn hành động tiếp theo, xác định mục tiêu và quỹ đạo, đồng thời đánh giá các điều kiện tiên quyết về không gian, khả năng thực thi hành động và các tác động vật lý cục bộ.

Đối với các nhiệm vụ dài hạn, mô hình còn sở hữu khả năng lập kế hoạch đa bước, điều hướng ngôn ngữ thị giác, ghi nhớ lịch sử và không gian, chẩn đoán lỗi, phân tích phản thực tế và tái lập kế hoạch động. Mô hình có thể liên tục điều chỉnh quyết định dựa trên mục tiêu, tiến độ thực hiện và phản hồi từ môi trường, từ đó đạt được sự bao phủ toàn diện các năng lực từ hiểu bối cảnh, suy luận nhân quả cục bộ đến thực thi thích ứng dài hạn.

IT đính kèm liên kết mã nguồn mở:

https://github.com/Tencent-Hunyuan/HY-Embodied

https://huggingface.co/tencent/Hy-Embodied-VLM-1.0

Tuyên bố quảng cáo: Các liên kết chuyển hướng bên ngoài có trong bài viết (bao gồm nhưng không giới hạn ở siêu liên kết, mã QR, mật khẩu, v.v.) được sử dụng để truyền tải thêm thông tin, giúp tiết kiệm thời gian chọn lọc; kết quả chỉ mang tính chất tham khảo. Tất cả các bài viết trên IT đều bao gồm tuyên bố này.