7月17日，腾讯 Robotics X 实验室、福田实验室联合腾讯混元，正式推出了第二代具身 VLM 基座模型 Hy-Embodied-VLM-1.0。这一发布在行业内引发了广泛关注，毕竟近年具身智能领域竞争白热化，各团队都希望在模型能力上抢占先机。

首先来看该模型的关键亮点。在一套覆盖37个评测任务的具身能力测试中，Hy-Embodied-VLM-1.0在物理状态理解、动作—变化推理、时序与自适应推理三大维度分别获得68.6、64.1和57.4分，综合平均得分达到65.6。值得注意的是，它仅采用A3B规模参数，整体性能已接近上一代A32B旗舰模型，并且显著优于同等规模的Qwen3.6-A3B、Cosmos 3-8B、Embodied-R1等通用及具身模型。换言之，参数规模缩减至十分之一，能力却几乎未受影响，这种参数效率提升令人印象深刻。

具体而言，模型从三个层次构建认知能力：物理空间状态理解、动作-变化理解、时序与自适应推理。这意味着它不仅能深度感知场景，还能分析动作意图、规划路径，甚至完成导航这类复杂的多模态任务。例如，它能精准识别物体属性、推断深度与空间关系，理解机器人视角下的功能部件、可操作区域，以及环境中的“可供性”——即哪些物体能用于何种操作。进一步结合人机交互的语义、目标对象与任务约束，模型可完成下一步动作选择、目标定位与轨迹规划，同时判断空间前置条件是否满足、动作是否可行以及局部物理影响。

面对长期任务时，模型展现出更全面的能力。多步规划、视觉语言导航、历史与空间记忆、失败诊断、反事实分析、动态重规划——这些能力悉数具备。它能根据目标、执行进度与环境反馈持续修正决策，最终实现从场景理解、局部因果推理到长期自适应执行的完整闭环流程。

以下为模型开源地址，供感兴趣的研究者进一步参考：

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

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