一个刚上电的机器人盯着操作台上的马克杯，先得判断杯子的朝向、距离，再决定用什么姿势去抓——放在过去，工程师得为这套“看一眼就动手”的流程叠上一堆专用模块。腾讯刚开源的Hy‑Embodied‑VLM‑1.0，想用一个不到三分之一的参数规模，就把这几件事包圆。

这个第二代具身视觉语言基座模型来自腾讯Robotics X实验室、福田实验室与腾讯混元团队。在覆盖37项评测任务的具身能力基准里，模型总分65.6，其中物理状态理解68.6、动作‑变化推理64.1、时序与自适应推理57.4。最让人意外的是：它只用了A3B量级的参数，综合表现已经逼近上一代A32B旗舰，还把同尺寸选手Qwen3.6‑A3B、Cosmos 3‑8B、Embodied‑R1都甩在了身后。

打开网易新闻 查看精彩图片

三层能力像搭积木一样串起了“看见→行动→反思”的闭环。物理状态层负责把传感器画面转成任务相关的世界表征：识别物体、属性、深度，理解哪个区域可操作、哪个部件能抓取。动作‑变化层接着做人机意图对齐——给定指令和约束，选定下一步动作、目标位置乃至运动轨迹，同时判断动作是否可行、会带来什么局部影响。时序与自适应层则是面向长周期任务的调度脑，能一边维护空间记忆一边做多步规划，遇到执行偏差立刻触发失败诊断和动态重规划，不用每轮都等着人类重新开任务。

这种一体化设计带来的好处很实际：同一个模型可以同时支持场景感知、行动分析、视觉语言导航和失败恢复，不再需要为每个子能力训练一个单独的小网络。开发者接入后，处理“帮我清空洗碗机”这类模糊指令时，机器人不仅能理解当前搁架上的碗盘数量，还能根据上次操作的记忆判断哪里还没清理，发现餐具位置错了会自动调整夹持策略，而不是死等纠偏指令。

开箱即用的A3B小模型打出了接近A32B的分数，说明具身智能模型也有机会走“小模型高密度”的路线。对正在往机器人上堆算力的团队来说，这多少是个信号：与其费劲塞进一张数据中心级显卡，不如先在算法上把每G显存的价值榨干净。