近日，腾讯 Robotics X 实验室与混元团队共同发布并开源了 HY-Embodied-0.5-X，这是一款专为具身任务优化的多模态大模型，旨在提升机器人在真实环境中的智能交互能力。该模型基于 HY-Embodied-0.5-MoT-2B 架构，强调机器人在 “看懂、想清、做到” 方面的核心能力，尤其在精细操作、空间推理、动作预测及风险判断等方面表现优越。
HY-Embodied-0.5 系列包含两个主要版本：MoT-2B 和 MoE-32B。MoT-2B 设计为端侧部署，具备实时响应能力，而 MoE-32B 则具有更大规模的参数，支持更复杂的任务处理。HY-Embodied-0.5-X 尤其专注于机器人在真实交互中的应用，推动从 “看懂” 走向 “干活”，并且为家庭服务和桌面操作等实际应用场景提供强有力的支持。
在数据方面，HY-Embodied-0.5-X 结合了自采的机器人第一视角操作数据和开源具身数据，构建出高质量的训练数据集。该数据集不仅涵盖了操作理解和任务推理，还增强了模型对模糊指令的理解能力。此外，团队引入了思维链标注和数据质量闭环，确保模型训练的有效性和数据的高质量。
在训练策略上，HY-Embodied-0.5-X 采用分阶段迭代的方法，首先通过小规模高质量数据验证训练配置，然后逐步扩展至大规模训练，以提升训练效率和稳定性。该模型在空间理解、长程规划和具身交互方面展现出显著优势，使机器人能够更准确地理解环境并完成复杂任务。
HY-Embodied-0.5-X 的推出标志着腾讯在具身智能领域的又一重要进展，有望在机器人与人类的互动中，推动技术的进一步发展与应用。
