/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,8 млрд
Размер весов
7,6 ГБ
Лицензия
Своя лицензия
Архитектура
hunyuan_vl_mot · dense
Базовая модель
HY-Embodied-0.5
Библиотека
transformers
Опубликована
23 апр 2026

HY-Embodied-0.5-X

Изображение и текст → текст3 профессии

Мультимодальная модель Tencent для пространственного понимания, планирования и поддержки действий роботов по изображениям и тексту.

487скачиваний за 30 дней15лайковвеса обновлены24 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

HY-Embodied-0.5-X — мультимодальная модель для робототехники, совместно разработанная Tencent Robotics X и HY Vision Team. Это дообученная версия HY-Embodied-0.5: модель семейства HunYuan VLMoT использует архитектуру MoT с 4 млрд параметров, из которых активируются 2 млрд; метаданные репозитория указывают 1,8 млрд параметров. Модель принимает изображения и текст, поддерживает диалог и имеет контекст длиной до 262 144 токенов.

Модель предназначена для цикла взаимодействия робота с физической или симулированной средой: понимания сцен и пространственных отношений, разрешения ссылок на объекты, планирования многошаговых задач, предсказания действий и оценки рисков. Среди сценариев — бытовые и настольные манипуляции, планирование задач и оценка поведения в симуляции. В README заявлены результаты верхнего уровня на десяти бенчмарках, включая первое место среди моделей для периферийных устройств на семи из них.

Репозиторий содержит веса Safetensors и использует Transformers; README указывает поддержку Linux, Python 3.12 и CUDA 12.6. Лицензия обозначена как other, поэтому конкретные права использования следует проверять по условиям репозитория. Практические ограничения: модель ориентирована на embodied-сценарии, а конкретные мультиязычные языки и требования к аппаратным ресурсам в предоставленных материалах не перечислены.

Сценарии применения

  • Планирование последовательности действий бытового робота
  • Выбор объектов и понимание их положения на изображении
  • Разрешение ссылок на предметы в командах пользователя
  • Оценка риска перед манипуляцией с объектом
  • Разбор ошибок робота и планирование следующей попытки
  • Оценка планирования робота в симуляции

Ограничения

Модель специализирована на embodied-сценариях; конкретные поддерживаемые языки и требования к аппаратным ресурсам в предоставленных материалах не перечислены. Лицензия указана как other, поэтому условия использования следует уточнять в репозитории.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face


HY-Embodied-0.5-X is an enhanced open-source embodied foundation model jointly released by Tencent Robotics X and the HY Vision Team. Built on top of the HY-Embodied-0.5 MoT-2B architecture (4B total parameters with only 2B activated), it is specifically optimized for the core loop of real-world robotics — "understand, reason, and act".

The model reaches state-of-the-art performance on 10 mainstream embodied task-planning benchmarks, ranking 1st among edge-side domain models on 7 of them. Compared with HY-Embodied-0.5-X focuses more tightly on the problems that matter in real-world robot interaction, with dedicated improvements in fine-grained manipulation understanding, spatial reasoning, action prediction, risk assessment, multimodal reference grounding, and long-horizon planning — pushing the model from "seeing" to "doing".

🔥 Updates

  • [2026-04-24] 🚀 Released HY-Embodied-0.5-X, an embodied-focused enhancement on top of HY-Embodied-0.5 MoT-2B, together with inference and training code.

⭐️ Key Features

  1. 🧠 Stronger Spatial Understanding — accurately reasons about object positions, scene layout, relative spatial relations, and manipulation states, providing a reliable perceptual basis for action decisions.
  2. 🔗 Stronger Long-Horizon Planning — handles multi-step, strongly-dependent complex tasks, producing stable task decomposition, action planning, and execution decisions across continuous interactions.
  3. 🤖 Stronger Embodied Interaction — beyond visual understanding and dialogue, supports task parsing, reference resolution, action decisions, risk judgement, and failure reflection, closely matching the real robot interaction loop.
  4. 📦 Edge-Friendly — built on the MoT-2B architecture (4B total / 2B activated), suitable for on-device deployment and real-time response.

🛠️ Installation

ItemRequirement
OSLinux
Python3.12
CUDA12.6
PyTorch2.10.0
GPUNVIDIA GPU with ≥ 16 GB VRAM

Install the specific transformers commit that natively registers HY-Embodied, then the usual PyTorch / vision deps:

pip install git+https://github.com/huggingface/transformers@9293856c419762ebf98fbe2bd9440f9ce7069f1a
pip install torch==2.10.0 torchvision==0.25.0 --index-url https://download.pytorch.org/whl/cu126
pip install accelerate safetensors Pillow

🚀 Quick Start with Transformers

Minimal single-image inference using plain transformers. The model is auto-downloaded from the Hub on first use.

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

MODEL_PATH = "tencent/HY-Embodied-0.5-X"
DEVICE = "cuda"
THINKING_MODE = True
TEMPERATURE = 0.05

processor = AutoProcessor.from_pretrained(MODEL_PATH)
model = AutoModelForImageTextToText.from_pretrained(
    MODEL_PATH,
    torch_dtype=torch.bfloat16,
).to(DEVICE).eval()

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "./demo.jpg"},
            {"type": "text", "text": "Describe the image in detail."},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
    enable_thinking=THINKING_MODE,
).to(model.device)

with torch.no_grad():
    generated_ids = model.generate(
        **inputs,
        max_new_tokens=32768,
        use_cache=True,
        temperature=TEMPERATURE,
        do_sample=TEMPERATURE > 0,
    )

output_ids = [out[len(inp):] for inp, out in zip(inputs.input_ids, generated_ids)]
print(processor.batch_decode(output_ids, skip_special_tokens=True)[0])

Coordinate & response format

  • Point: (x, y) or [(x1, y1), (x2, y2)]
  • Box: [xmin, ymin, xmax, ymax]
  • Coordinates are normalized to the integer range (0, 1000).
  • In thinking mode, responses are structured as <think>[reasoning]</think><answer>[answer]</answer>.

🔧 SFT Fine-tuning & More Inference Modes

For SFT fine-tuning (single-node / multi-node, DeepSpeed ZeRO-2, FSDP), batch inference, multi-image / video inputs, the packaged HyEmbodiedPipeline API, CLI entry points, data format spec, and the full training data mixture used in the release, please see the official GitHub repository:

👉 https://github.com/Tencent-Hunyuan/HY-Embodied-0.5-X

Minimal fine-tuning snippet (after cloning the repo and setting up the env):

# Smoke-test on bundled samples
CUDA_VISIBLE_DEVICES=0 python -m hy_embodied.cli.train \
    --config configs/sft/example_small_single_gpu.yaml

# 1 node × 8 GPUs with DeepSpeed ZeRO-2
bash scripts/run_sft_1node_8gpu.sh

See docs/training.md, docs/inference.md, and docs/data_format.md for the full reference.

📊 Evaluation

Overall Benchmark Results

Across 10 open-source benchmarks covering planning, spatial reasoning, embodied QA, visual reference, and trajectory understanding, HY-Embodied-0.5-X stays in the top tier.

Comparison with Same-Size Open-Source Models

AI2Thor Embodied Planning Benchmark

Additional results on an internal AI2Thor embodied-planning benchmark (1,011 tasks across four household scenes) show clear gains on long-horizon manipulation, self-awareness, and spatial understanding:

🎯 Use Cases

  • Home service / tabletop manipulation — spatial reasoning, fine-grained manipulation reasoning, task understanding, and failure reflection in real environments.
  • Task planning & simulation evaluation — planning evaluation and multimodal interaction research in simulated settings.
  • Local deployment & development — on-device validation and downstream development of embodied capabilities.

📚 Citation

@article{tencent2026hyembodied05x,
  title   = {HY-Embodied-0.5-X: An Enhanced Embodied Foundation Model for Real-World Agents},
  author  = {Tencent Robotics X and HY Vision Team},
  year    = {2026}
}

🙏 Acknowledgements

Thanks to the Hugging Face community, and all open-source contributors. By open-sourcing HY-Embodied-0.5-X we hope to offer the embodied-AI community a more deployment-oriented foundation, and to push models from general understanding toward real-world execution.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
HunYuanVLMoTForConditionalGeneration
Ревизия весов
79f8301

0 моделей