腾讯这次没有先讲机器狗、机械臂或展台演示，而把两套“脑子”直接放到开源社区：Hy-Embodied-VLM-1.0 负责看懂真实场景、推演动作影响；Hy-Embodied-RxBrain-1.0 负责把任务拆成语言步骤，并同时想象每一步完成后的目标画面。
这条新闻的抓手在这里：机器人公司过去常把“会看”“会想”“会动”拆成几套系统，腾讯现在把其中两层往基座模型方向收。一个用约 3B 激活参数追求端侧效率，一个用约 6.2B 参数尝试把推理和视觉目标生成放进同一序列。对于机器人落地，它不解决硬件量产，却把“上层认知”这块公共底座又往前推了一步。
两个模型分工很清楚
Hy-Embodied-VLM-1.0 是第二代具身 VLM。它基于 Hy3-A3B 语言骨干和 Hy-ViT2 视觉编码器，MoE 总参数约 30B，每 token 只激活约 3B。官方技术报告说，它在 38 个具身相关基准中拿下 19 个同尺寸最佳，另有 11 个第二名；相比上一代 Hy-Embodied-0.5 MoT-2B，平均表现提升 8.4%。
这组数字的意思不复杂：腾讯想把“看图回答”扩展成“看场景后判断动作”。模型评测被分成三层：状态理解、动作变化推理、连续和自适应推理。机器看到桌上的杯子，不能只说杯子在哪里，还要判断能不能抓、抓完环境会怎样变化、失败后怎样修正路线。
“We have released Hy-Embodied-VLM-1.0!”
腾讯在 GitHub 更新中这样写。按中文语境说，就是这套模型已连同权重、推理代码和技术报告一起放出，开发者看到的是可运行资产，论文曲线之外还有代码路径。
第二个模型 RxBrain 更偏“脑补”。官方把它定义为 embodied cognition foundation model，核心能力有三项：图像和多帧视频问答、短时世界状态预测、联合子目标规划。它会在同一条自回归序列里交替生成推理文本和想象画面，用一个学出来的 <Image> token 决定何时生成目标帧。
3B 管判断，6.2B 管想象
这批信息最该拆开的地方，是两个模型的口径不同。
- VLM-1.0 看的是效率：约 30B 总参数、约 3B 激活参数，官方推荐 H100、H20 或 A100 80G 环境，BF16 权重约 86GB，服务端建议 4 张 80GB GPU 做张量并行。
- RxBrain 看的是规划表达：约 6.2B 参数，面向文本、图像、视频与图文交错生成，能一次性给出“下一步做什么”和“做到后画面应长什么样”。
- 两者都已开源：VLM-1.0 放在 Tencent-Hunyuan/HY-Embodied，RxBrain 独立仓库放出代码与权重入口，许可证均指向 Apache 2.0。
这个拆分很像机器人系统里的“快脑”和“慢脑”。快脑要便宜、稳定、能在部署侧反复调用；慢脑要能把长任务拆开，并把抽象语言落成可检查的视觉目标。把这两块混在同一篇发布稿里很热闹，但工程上它们服务的是两类负载。
数据账比模型名更有信息量
VLM-1.0 的训练数据按阶段切开：mid-train 阶段汇聚超过 1800 万条问答数据，post-train 阶段再加入约 4.8 万条高质量指令数据。RxBrain 的数据账更重：预训练用了 50,177 小时操作数据，其中第一视角及 UMI 数据 31,568 小时、真实机器人数据 17,292 小时、仿真数据 1,317 小时；开源数据 28,597 小时，占比约 57%。
再往后，团队把无标注长视频切成带动作描述、起止状态和时间边界的原子动作序列，形成约 2.1 亿条训练样本；mid-training 又加入 3500 万条具身能力数据，覆盖空间推理、多视角理解、因果推断、视觉定位和行为规划。
这一段比榜单分数更说明路线：具身智能已经从“谁有更炫的 demo”转到“谁能把视频、轨迹、任务描述整理成可训练资产”。阿里 Qwen-Robot、智在无界 Being-M0.7 和腾讯这次发布，表面都在讲机器人模型，底层都在抢同一件事：让机器人数据从一次性演示，变成可复用、可扩展的训练流水线。
真机结果留下了边界
RxBrain-Bench 里，联合具身规划任务的综合得分为 0.68，高于 Cosmos3-Nano Agent 的 0.521、BAGEL-7B-MoT 的 0.503 和模块化 Qwen-Agent 的 0.431。短时未来视频生成任务上，RxBrain 综合得分 0.62，高于 Wan2.2-TI2V-5B 的 0.429，接近 Cosmos3-Nano 的 0.591。
真机验证更接近产业读者会问的问题：模型在 DOBOT X-Trainer 和方舟无限 A5 两类机械臂上，执行摆放餐具、折叠并收纳眼镜、丢垃圾三个多阶段任务，成功率分别为 97%、95% 和 68%，平均 87%。对照组里，π0 和 π0.5 的平均成功率分别为 68% 和 82%。
但短板也在同一组数据里。RxBrain 在目标图像正确性上得分 0.52，时间与物理合理性得分 0.53；自由滚动步数增加后，综合规划得分从两步时的 0.69 降到八步时的 0.55。人话讲，模型能先画出任务目标，但长链条里画面漂移、动作连续性和物理细节还会拖后腿。
开源让赛道多了一个参照物
这次发布对中文 AI 生态的增量，不在“腾讯也做机器人模型”这句话上。腾讯把 VLM、世界状态预测、交错规划、权重和推理代码放到公开仓库后，国内具身智能路线多了一个可复现实验对象。
对开发者来说，短期能看的指标很具体：权重是否好下、推理链路是否好跑、vLLM 和 Hugging Face transformers 路径是否稳定、真机任务能否迁移到非腾讯数据和非论文环境。对行业来说，下一轮竞争大概率会从“发布几个模型”转向“谁能把这些模型接到更多机器人本体、更多真实工序和更低推理成本上”。
机器人要进工厂和家庭，单靠一个大模型名称撑不住。腾讯这次给出的答案，是把看、想、规划拆成能被验证的模型组件，再用开源把外部开发者拉进来。后面的考题很硬：离开发布材料里的评测集和三项真机任务后，它还要在多少种机械臂、多少类动作、多少次连续失败恢复里站住。
参考来源：机器之心；arXiv:2607.12894 核验模型参数、38 项评测与性能口径；GitHub 与 Hugging Face 核验开源权重、Apache 2.0 许可和硬件要求；CocoLoop；腾讯混元公开仓库核验 RxBrain 参数、数据规模、基准分数与真机任务成功率。