Tencent tidak memulai dari robot anjing atau demo panggung, melainkan membuka dua “otak” robot: Hy-Embodied-VLM-1.0 untuk memahami scene nyata dan efek aksi, serta Hy-Embodied-RxBrain-1.0 untuk memecah tugas dan membayangkan target visual.
Dua model, dua beban kerja
VLM-1.0 memakai backbone Hy3-A3B dan encoder Hy-ViT2, dengan sekitar 30B parameter MoE dan 3B aktif per token. Tencent menyebut 19 posisi terbaik dari 38 benchmark embodied dan 11 posisi kedua, naik rata-rata 8,4% dari generasi sebelumnya.
“We have released Hy-Embodied-VLM-1.0!”
RxBrain lebih fokus pada perencanaan. Model 6,2B ini menangani QA gambar/video, prediksi state dunia jangka pendek, dan joint subgoal planning dalam satu urutan autoregresif yang bergantian antara teks penalaran dan gambar imajinasi.
Catatan data lebih penting
Data juga besar: VLM memakai 18 juta lebih QA dan 48 ribu instruksi berkualitas; RxBrain memakai 50177 jam data operasi, termasuk 31568 jam egocentric/UMI, 17292 jam robot nyata, dan 1317 jam simulasi. Tim juga membentuk sekitar 210 juta sampel aksi atomik dan 35 juta data kemampuan embodied.
Hasil robot nyata masih memberi batas
Pada RxBrain-Bench, skor planning embodied gabungan 0,68, dan future video jangka pendek 0,62. Di DOBOT X-Trainer dan ARX A5, tiga tugas real-robot mencatat 97%, 95%, dan 68%, rata-rata 87%, tetapi akurasi target image 0,52 dan plausibilitas waktu/fisika 0,53 menunjukkan batas long-horizon.
Rilis open source memberi referensi yang bisa direproduksi: bobot, kode inferensi, jalur vLLM dan Hugging Face, serta lisensi Apache 2.0. Ujian kerasnya adalah apakah model ini berpindah ke benchmark, badan robot, dan tugas nyata di luar materi 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.