Tencent no empezó con un robot ni una demo, sino abriendo dos “cerebros” robóticos: Hy-Embodied-VLM-1.0 para entender escenas y efectos de acciones, y Hy-Embodied-RxBrain-1.0 para dividir tareas e imaginar metas visuales.
Dos modelos, dos cargas
VLM-1.0 usa Hy3-A3B y Hy-ViT2, con unos 30B parámetros MoE y 3B activos por token. Tencent cita 19 primeros puestos en 38 benchmarks embodied y 11 segundos, con mejora media de 8,4% frente a la generación anterior.
“We have released Hy-Embodied-VLM-1.0!”
RxBrain se orienta más a planificación. El modelo de 6,2B maneja QA de imagen/video, predicción corta de world state y planificación conjunta de subobjetivos en una secuencia autoregresiva que alterna texto e imagen imaginada.
La cuenta de datos importa
La cuenta de datos importa: VLM usa más de 18 millones de QA y 48 mil instrucciones de calidad; RxBrain usa 50177 horas de operación, incluidas 31568 horas egocentric/UMI, 17292 de robots reales y 1317 de simulación. También se formaron unos 210 millones de muestras de acción atómica y 35 millones de datos embodied.
Los resultados reales aún marcan límites
En RxBrain-Bench, el planning embodied llega a 0,68 y el future video corto a 0,62. En DOBOT X-Trainer y ARX A5, tres tareas reales logran 97%, 95% y 68%, media de 87%, pero target image 0,52 y plausibilidad temporal/física 0,53 muestran límites.
La apertura ofrece a desarrolladores una referencia reproducible: pesos, código de inferencia, rutas vLLM y Hugging Face, y licencia Apache 2.0. La prueba dura será transferir estos modelos fuera de los benchmarks, cuerpos robóticos y tareas reales de Tencent.
Sources: Synced; arXiv:2607.12894 was used to verify model parameters, 38 evaluations and performance framing; GitHub and Hugging Face verified open weights, Apache 2.0 license and hardware requirements; CocoLoop; Tencent Hunyuan public repositories verified RxBrain parameters, data scale, benchmark scores and real-robot success rates.