HY-Embodied-0.5: 現実世界のエージェントのためのエンボディド・ファウンデーションモデル

要旨: 我々は、現実世界の身体化エージェントのために特化して設計された基盤モデルのファミリーであるHY-Embodied-0.5を提案する。一般的な視覚言語モデル（VLM）と、身体化エージェントが求める要件とのギャップを埋めるために、我々のモデルは身体化知能に必要な中核能力、すなわち空間的および時間的な視覚知覚に加えて、予測・相互作用・計画のための高度な身体化推論を強化するよう開発されている。HY-Embodied-0.5スイートは、主に2つのバリアントから構成される。エッジ展開向けに設計された、活性化パラメータ2Bの効率的モデルと、複雑な推論を対象とした、活性化パラメータ32Bの強力なモデルである。身体化タスクに不可欠なきめ細かな視覚知覚を支えるために、モダリティ固有の計算を可能にするMixture-of-Transformers（MoT）アーキテクチャを採用する。潜在トークンを組み込むことで、この設計はモデルの知覚表現を効果的に強化する。推論能力を高めるために、反復的で自己進化するポストトレーニングのパラダイムを導入する。さらに、オンポリス蒸留を用いて、大規模モデルの高度な能力を小型バリアントへ移転し、それによりコンパクトモデルの性能ポテンシャルを最大化する。視覚知覚、空間推論、身体化理解にまたがる22のベンチマークに対する広範な評価により、本アプローチの有効性が示される。我々のMoT-2Bモデルは、同程度のサイズの最先端モデルの16のベンチマークで上回り、32BバリアントはGemini 3.0 Proのようなフロンティアモデルと同等の性能を達成する。下流のロボット制御の実験では、堅牢なVLM基盤を活用して効果的なVision-Language-Action（VLA）モデルを学習し、現実世界の物理評価において説得力のある結果を得る。コードとモデルはhttps://github.com/Tencent-Hunyuan/HY-Embodiedでオープンソース化されている。