腾讯HY-Embodied-0.5具身模型评测16项最优破行业纪录

2026年4月，具身智能领域迎来里程碑式突破。腾讯Robotics X实验室与腾讯混元团队联合发布专为机器人设计的HY-Embodied-0.5基础模型系列。该系列在22项行业主流具身智能评测中，取得了16项最优成绩的卓越表现，刷新了行业纪录。其核心价值在于，它从底层模型架构到训练范式进行了全链路重构，旨在攻克当前通用机器人发展中的关键瓶颈。

随着人形机器人与工业自动化需求激增，一个根本性挑战日益突出：作为机器人“大脑”的具身大模型，其性能上限正严重阻碍它们从实验室或结构化场景，迈向真实、开放、动态的复杂环境。以往行业普遍采用对现有通用视觉语言模型进行微调的方案，但这种方法长期受限于两大痛点：三维空间感知精度不足，以及实时交互决策延迟过高。

问题的根源在于数据。传统通用视觉语言模型的训练数据多源于互联网文本和二维图像，导致模型严重缺乏对三维空间几何、物体物理属性（如质量、硬度、动力学特性）的深刻理解。直接将此类模型应用于机器人，常导致决策失误，例如距离估算错误，或无法预测抓取、推动等动作引发的物理连锁反应。

而传统的定制化微调路径，虽试图弥补不足，却面临新困境。一方面，适配成本高昂，为单一任务场景微调往往需要百万级规模的专属数据；另一方面，模型泛化能力薄弱，场景稍有变化性能便急剧下降。这显然难以满足未来通用机器人灵活部署与规模落地的需求。

那么，腾讯HY-Embodied-0.5系列提供了怎样的解决方案？它并非对通用基座的简单优化，而是一次从零开始的系统性重建。团队同步发布了两款定位互补的核心模型：

MoT-2B模型，总参数量40亿，激活参数量20亿，专注于端侧实时响应。其设计目标在于直接部署于机器人本体，实现低延迟、高可靠的本地化决策，无需依赖云端网络。

MoE-32B模型，采用混合专家架构，总参数量达4070亿，每次推理仅激活320亿参数。它致力于处理需要复杂推理与长远规划的决策任务，追求极致性能，适合云端部署。

系列模型的技术突破是其卓越表现的基石。团队首创了视觉与语言模态参数非共享的混合Transformer架构。该设计使得处理图像与语言的模块既能独立高效运算，又能紧密协同。结合原生高分辨率视觉编码器HY-ViT2.0与视觉潜在Token机制，有效缓解了小模型在多模态训练中常见的“灾难性遗忘”问题，同时保留了对空间细节的敏锐感知能力。

在训练层面，模型基于规模超过1亿条的高质量具身智能专属数据构建的语料库进行训练，并融合了拒绝采样微调、强化学习等多种先进技术以持续提升决策准确性。正是这一系列从架构设计到数据工程的全面创新，最终使其在权威评测中斩获16项最优的突破性成果。

此次发布对机器人行业意义深远。业界分析指出，腾讯该模型系列覆盖了从终端到云端的关键应用场景，有望大幅降低机器人厂商在智能“大脑”适配上的技术门槛与综合成本。值得注意的是，腾讯Robotics X实验室在四足机器人、人形机器人等实体硬件研发上已有深厚积累，如今与混元团队的大模型技术优势结合，形成了从“躯体”到“心智”的完整闭环能力。可以预见，该系列模型将率先在腾讯内部机器人项目中进行落地验证，后续极有可能通过开放API或模型服务的形式赋能行业，从而加速推动在工业巡检、家庭服务、精密制造等多个领域的机器人商业化应用进程。