Tencent Hy-Embodied Basismodelle

Tencents Serie verkörperter KI-Basismodelle auf Hunyuan-Basis, mit visuellem Verständnis (VLM-1.0), Weltkognition (RxBrain-1.0) und Vision-Sprache-Aktion-Modell (VLA-0.5), auf der WAIC 2026 vorgestellt und quelloffen veröffentlicht

Tencent 具身智能

https://www.tencent.com/

Website besuchen

Ausführlicher Bericht

Im Juli 2026 veröffentlichte Tencent auf der World Artificial Intelligence Conference (WAIC) in Shanghai offiziell einen vollständigen Satz verkörperter intelligenter Basismodellsysteme – die Hy-Embodied-Reihe –, darunter das visuelle Verständnismodell VLM-1.0, das Weltkognitionsmodell RxBrain-1.0 und das gemeinsame Vision-Sprach-Aktionsmodell VLA-0.5. Dies ist das erste Mal, dass Tencent „Wahrnehmung-Kognition-Aktion“ systematisch in einen vollständigen geschlossenen Kreislauf der verkörperten Intelligenz integriert. Alle drei Modelle basieren auf dem großen Hunyuan-Modell von Tencent und wurden am Tag der Veröffentlichung gleichzeitig als Open Source bereitgestellt. Gleichzeitig brachte Tencent auch die kontinuierliche Online-Embodied Intelligence Apexio, das Embodied Native Framework TairosAgent und ein umfassendes Upgrade der offenen Plattform Tairos (Titanschraube) auf den Markt, das die gesamte Verbindung von der Cloud-Computing-Leistung bis zum Roboterkörper abdeckt. Das Kernurteil dieser Lösung ist, dass die derzeit intelligenteste KI immer noch im Wesentlichen ein „Gehirn in einem Bottich“ ist – sie kann gut argumentieren und kommunizieren, ihr fehlt jedoch ein geschlossener Kreislauf für die direkte Interaktion mit der physischen Welt. Die Hy-Embodied-Serie zielt auf diese Lücke.
Die Hy-Embodied-Reihe wird gemeinsam von Tencent Robotics X Laboratory, Futian Laboratory und Tencent Hunyuan entwickelt. Tencent Robotics Die Positionierungsarbeitsteilung zwischen den drei Modellen ist sehr klar: VLM-1.0 ist wie die „rechte Gehirnhälfte“ verantwortlich für das Verständnis von Bildern, Räumen und Szenen. Es erreicht nahezu die gleiche visuelle Verständnisleistung und verbraucht nur etwa ein Zehntel der Rechenleistung des Flaggschiffs der vorherigen Generation. RxBrain-1.0 Wie ein verkörpertes „Gehirn“ vervollständigt es gleichzeitig das Textdenken und die visuelle Zielvorstellung in einer einheitlichen Architektur – es teilt dem Aktionsmodell nicht nur mit, „was als nächstes zu tun ist“, sondern zeigt auch in Form von Bildern, „wie die Welt danach aussehen sollte“; VLA-0.5 ist wie eine Brücke zwischen dem „Kleinhirn“ und dem Körper und wandelt hochrangige kognitive Ziele in kontinuierliche, fehlerkorrigierbare physische Aktionssequenzen um. Diese Veröffentlichung ist nicht nur eine Darstellung akademischer Leistungen. Tencent gab gleichzeitig auf dem WAIC-Forum bekannt, dass VLA-0,5 für tatsächliche Produktionstests in eine tägliche Chemiefabrik gelangt sei. In einer echten Produktionslinie mit hoher Durchmischung, kleinen Chargen und häufigen SKU-Iterationen liegt die Erfolgsquote des Betriebs bei über 95 %, der Einzelstückzyklus ist schneller als 6 Sekunden und die Zeit zum Hinzufügen einer neuen SKU für die Datenerfassung und das Nachtraining des Modells beträgt weniger als 3 Tage.
Die Kernfunktion von VLM-1.0 ist das visuelle Verständnis der offenen Welt. Es empfängt Multi-View-Bildeingaben und gibt räumliche semantische Darstellungen aus – Objektposition, Bedienbarkeitsbeurteilung, Szenenlayout usw. Im Vergleich zum VLM der vorherigen Generation behält es eine ähnliche Leistung bei räumlichen Verständnis-Benchmarks wie CV-Bench und EmbSpatial bei und reduziert gleichzeitig den Rechenaufwand um etwa 90 %, was bedeutet, dass es besser für den Einsatz auf Robotern mit begrenzter Rechenleistung geeignet ist. RxBrain-1.0 ist der technisch am meisten hervorgehobene Teil des gesamten Modells. Es übernimmt die Mixture-of-Transformers-Architektur und nutzt die Modalität als Route, um Text-Token, Eingabe-Visual-Token und generierte visuelle Token jeweils an dedizierte Rechenpfade weiterzuleiten. Text- und visuelles Verständnis machen jeweils etwa 1,5 Milliarden Parameter aus, und die visuelle Generierung fügt weitere 2,4 Milliarden FFN Expert hinzu, mit einer Gesamtparameteranzahl von etwa 6,2 Milliarden. In der GenEval Vincentian Graph-Bewertung erreichte es 82,4 Punkte, was den 82 Punkten des generationsspezifischen Modells BAGEL entspricht, was darauf hindeutet, dass die einheitliche Architektur keine Abstriche bei der Generationsqualität macht. In Bezug auf die verkörperte Argumentation beträgt der umfassende Planungswert auf RxBrain-Bench 0,68 und übertrifft damit die modulare Lösung bei weitem – im Vergleich dazu erzielte der aus Qwen3-VL-2B und Qwen-Image-Edit bestehende Agent nur einen Wert von 0,431. Bei gemeinsamen Aufgaben wie mehrstufiger Planung und visueller Zielvorstellung liegen die Vorteile des einheitlichen Modells auf der Hand: Modulare Systeme sind anfällig für Probleme wie Sprachduplizierung, vom Plan getrennte Zielbilder und Zustandsdrift während der mehrstufigen Ausführung. RxBrain generiert jedoch abwechselnd Unteraufgabentext und Zielbilder im selben Kontext und fügt die Ergebnisse der vorherigen Generierungsrunde erneut in die nachfolgende Planung ein. Die Konsistenz ist weitaus besser als bei externer Orchestrierung. RxBrain erweitert außerdem den Aktionsgenerierungszweig Action MoT weiter. Es konfiguriert unabhängige Aufmerksamkeitsprojektion und FFN für Aktionstoken und behält gleichzeitig globale Aufmerksamkeitsinteraktionen mit anderen Modalitäten bei. Aktionsparameter werden durch den visuellen Verständniszweig initialisiert und ein Gated-Fusion-Mechanismus wird eingeführt – Aktionsexperten können kanalweise selektiv Weltzustandsvorhersage- und Planungsfunktionen von Experten für visuelle Generierung übernehmen. Bei der realen maschinellen Verifizierung auf dem DOBOTVLA-0.5 konzentriert sich auf die Überprüfung von Fakten. In der gesamten Simulationswertung belegte es den ersten Platz in den fünf Dimensionen der RoboDojo-Bewertung eines Drittanbieters – Generalisierung, Gedächtnis, feine Bedienung, Ausführung auf lange Sicht und offenes semantisches Verständnis. Auch in den beiden Dimensionen Fernaufgaben und Gedächtnisaufgaben belegte es den ersten Platz. Mehr als 10.000 Stunden hochpräzise menschliche Lehrdaten sind seine Trainingsbasis. Auf Agentenebene ist die Architektur von Apexio recht genial. Es besteht aus drei Schichten von Fähigkeiten, die gleichzeitig mit unterschiedlichen Frequenzen online sind: Das kognitive System der obersten Schicht wacht bei Bedarf auf, um tiefgründiges Denken zu betreiben, das Wahrnehmungs- und Aktionssystem der mittleren Schicht empfängt kontinuierlich multimodale Informationen mit etwa 15 Hz und passt sich schnell an, und das Ausführungssystem der unteren Schicht läuft mit einer höheren Frequenz und verarbeitet Kollisionen und Ungleichgewichte sofort wie konditionierte Reflexe. Das System wird gleichzeitig von zwei Hauptlinien angetrieben: „Zieltrieb“ (Erledigung von Aufgaben) und „Überlebenstrieb“ (Aufrechterhaltung der Sicherheit, Kontrolle des Energieverbrauchs). Auch ohne externe Anweisungen erkennt und bereitet es sich weiterhin auf
Alle Modelle der Hy-Embodied-Serie sind Open Source. Modellgewichte können direkt auf GitHub und HuggingFace heruntergeladen werden. VLM-1.0 und VLA-0.5 verwenden die MIT-Lizenz, und RxBrain-1.0 übernimmt auch eine offene Lizenz. Der Monetarisierungspfad von Tencent konzentriert sich stärker auf die Plattformebene und die Cloud-Service-Ebene. Die Tairos-Plattform steht Roboter- und Systementwicklern offen und bietet Open-Source-Modelle, Agenten, Entwicklungstools und One-Stop-Services. Tencent Cloud hat ein dreischichtiges Infrastruktursystem von der Rechenleistungsbasis über den Modelldienst bis hin zur Wahrnehmungsinteraktion aufgebaut und cloudbasiertes EaaS (Embodied-AI-as-a-Service) eingeführt. Dies bedeutet, dass Kunden bei Bedarf auf verkörperte Intelligenzfunktionen zugreifen können, ohne selbst eine komplette Infrastruktur aufbauen zu müssen. Darüber hinaus sind auch Tencent Cloud HAI (High-Performance AI Computing Power), Multi-Network Aggregation Acceleration, TRRO und andere Dienste mit der Hy-Embodied-Serie verknüpft. Industriekunden können über Tencent Cloud direkt die für Schulung und Bereitstellung erforderliche Rechenleistung, Speicher- und Netzwerkkapazitäten beziehen.
positive Bewertung Das Feedback der Drittanbieter-Community konzentrierte sich auf einige Punkte: Die technischen Kompromisse der einheitlichen Architektur wurden als sehr pragmatisch angesehen. Viele KI-Praktiker erwähnten im Kommentarbereich von HuggingFace, dass der Ansatz von RxBrain, textuelles Denken und visuelle Vorstellungskraft in etwa 6B Parameter zu packen, „lernwürdiger ist als das bloße Anhäufen von Parametern“. Die realen Maschinenverifizierungsdaten sind öffentlich und entsprechen eins zu eins dem Open-Source-Modell und wurden ebenfalls gelobt. Im r/MachineLearning-Bereich von Reddit kommentierte ein Benutzer: „Endlich veröffentlicht ein großes Unternehmen nicht nur Artikel, wenn es um verkörperte Intelligenz geht.“ Das Feedback der chinesischen Community konzentriert sich eher auf die Anerkennung der „Gehirn im Bottich“-Diskussion. Hochgelobte Antworten auf Zhihu glauben im Allgemeinen, dass Zhang Zhengyous Urteil zu WAIC „die grundlegenden Einschränkungen des aktuellen großen Modells aufgezeigt“ hat und dass die Veröffentlichung von Hy-Embodied „zumindest zeigt, dass Tencent einen anderen Weg einschlägt“. negatives Feedback Die Kritik konzentrierte sich auf die Distanz zur tatsächlichen Verfügbarkeit. Der Wert von RxBrain im Szenario der 8-stufigen langfristigen Planung sank von 0,69 auf 0,55. Der Trend, sich Schritt für Schritt zu verschlechtern, zeigt, dass die Anhäufung von Fehlern in der visuellen Vorstellungskraft immer noch ein Engpass ist. In einigen technischen Kommentaren wurde darauf hingewiesen, dass RxBrain zwar das Potenzial eines „einheitlichen Gehirns“ demonstriert habe, es aber „jetzt nicht an der Zeit“ sei, es stundenlang fehlerfrei am Fließband einer Fabrik zu laufen. Es gibt auch eine gewisse Unzufriedenheit mit der Preisgestaltung. Obwohl das Modell Open Source ist, sind die Kosten für die Rechenleistung von Tencent Cloud nicht niedrig, wenn es um den Betrieb in einer Fabrik geht. Ein Zhihu-Benutzer hat ein Konto berechnet und eine vollständige Hy-Embodied-Lösung bereitgestellt. Allein die monatlichen Mietkosten für die GPU betragen Zehntausende Yuan. Auch die Unternehmensdienste der Tairos-Plattform sind nicht kostenlos. Nutzungsszenarien Neben industriellen Produktionslinien enthüllte Tencent auch zwei Implementierungsszenarien für Einkaufsführer und Altenpflegedienste. Im Navigationsroboter-Szenario für Einkaufszentren kann VLA-0.5 Aufgaben wie Wegweisen, Produktvorstellung und Beantwortung von Anfragen basierend auf Anweisungen in natürlicher Sprache erledigen; Im Altenpflegeszenario ist das Modell hauptsächlich für die Medikamentenabgabe, die Sturzerkennungsreaktion und den einfachen Dialog mit dem Begleiter verantwortlich.
Den Reaktionen der Branche nach zu urteilen, wird die Veröffentlichung der Hy-Embodied-Serie als wichtiges Signal gewertet: Große chinesische Hersteller wechseln vom „Wettbewerb auf Modellebene“ zum „Wettbewerb auf Anwendungsebene“. Im Gegensatz zur vorsichtigen Haltung ausländischer Unternehmen wie Google und Meta im Bereich Robotik stellte Tencent dieses Mal direkt eine Komplettlösung von Basismodellen über Cloud-Dienste bis hin zu offenen Plattformen bereit und machte deutlich, dass es sich um Open Source und kommerziell verfügbar handelt. Der erste Platz im umfassenden Ranking von RoboDojo bedeutet, dass die umfassenden Fähigkeiten von VLA-0.5, zumindest in der Simulationsumgebung, die aktuellen Mainstream-Open-Lösungen übertroffen haben. Es sollte jedoch auch beachtet werden, dass immer noch eine Lücke zwischen Simulation und realer Maschine besteht: Ein Modell, das in RoboDojo gut funktioniert, kann in der physischen Welt aufgrund von Problemen wie Sensorrauschen, Latenz und Hardwareunterschieden eine schlechte Leistung erbringen. Tencent testete nur drei Arten von Aufgaben (Geschirr ordnen, Gläser aufbewahren und Müll wegwerfen) auf echten Telefonen, und die Abdeckung war begrenzt. Aus der Perspektive der wettbewerbsorientierten Produktlandschaft ist der Bereich der inländischen verkörperten Intelligenz bereits ziemlich überfüllt. ByteDance hat die GR-2-Serie, Huawei hat das Pangu-Körpermodell und Xiaomi hat CyberOne und das Team für Kraftkontrollalgorithmen dahinter. Die Vorteile von Tencent liegen in der Open Source aller Modelle, der Synergie des Hunyuan-Buckets der großen Modellfamilie und der ökologischen Akkumulation der Tairos-Plattform. Der Nachteil besteht darin, dass Tencent im Vergleich zu Byte und Xiaomi relativ schwach auf die Hardware (insbesondere humanoide Roboter) ausgelegt ist und derzeit stärker auf Partner angewiesen ist.
Ein erwähnenswerter kontroverser Punkt ist die tatsächliche Bedeutung von „Open Source“. Obwohl die Gewichte und Inferenzcodes der drei Hy-Embodied-Modelle Open Source sind, sind die Trainingsdaten (mehr als 50.000 Stunden verkörperter Daten) nicht offen. Der Umfang und die Qualität der Trainingsdaten bestimmen direkt die Obergrenze der Generalisierungsfähigkeit des Modells. Wenn andere Teams es nicht reproduzieren oder anpassen können, wird die tatsächliche Wiederverwendbarkeit der sogenannten „Open Source“ gefährdet. Ein weiteres Risiko ergibt sich aus der Reife der Branchenanwendungen. Die tatsächlich gemessenen Daten der täglichen Chemiefabrik sehen gut aus (>95 % Erfolgsquote), aber dies ist nur ein Szenario, in dem sich die SKU häufig ändert, die Bedienung jedoch relativ einfach ist. Es gibt keine öffentlichen Verifizierungsdaten darüber, ob die aktuellen Fähigkeiten verkörperter Intelligenzmodelle ausreichen, um Branchen wie die Automobilmontage und die Präzisionselektronikfertigung zu unterstützen, die höhere Anforderungen an Genauigkeit und Fehlertoleranz stellen. Darüber hinaus ist die dreischichtige Architektur von Apexio zwar technisch überzeugend, aber vom dreischichtigen „Simultaneous Online“ bis zur wirklich stabilen Implementierung ist viel System-Engineering und Hardware-Anpassungsarbeit erforderlich. Ein Zhihu-Befragter mit einem Hintergrund in der Robotertechnik kommentierte: „Die im Labor gezeigte Demo und der reibungslose Betrieb in zwei Schichten an der Produktionslinie sind zwei völlig verschiedene Dinge.“
Die Hy-Embodied-Serie eignet sich am besten für die folgenden zwei Benutzertypen: Der erste Typ sind Entwickler von Robotersystemen und kompletten Maschinen, die Open-Source-Modelle für die sekundäre Entwicklung und Anpassung direkt herunterladen und die Toolkette der Tairos-Plattform nutzen können, um die Kosten für die Prototypenentwicklung zu senken. Die zweite Kategorie sind Industriekunden, die über den EaaS-Service von Tencent Cloud schnell die Machbarkeit von Embodied Intelligence in Produktionslinien testen können, ohne eine eigene Schulungs- und Bereitstellungsinfrastruktur aufbauen zu müssen. Zu den weniger geeigneten Szenarien gehören: Präzisionsmontagelinien, die eine extrem hohe Positionierungsgenauigkeit erfordern, sicherheitskritische Anwendungen (z. B. medizinisch-chirurgische Assistenz) und Szenarien, die auf Geräten mit extrem geringem Stromverbrauch am Netzwerkrand laufen müssen. In diesen Fällen können fähigkeitsorientierte dedizierte Modelle oder Regelsysteme vorerst noch eine sicherere Option sein.
Die Tencent Hy-Embodied-Reihe ist eine der wichtigsten Open-Source-Lösungen im Bereich der verkörperten Intelligenz im Jahr 2026. Ihr Kernbeitrag in der Modellarchitektur – die Vereinigung von textlichem Denken und visueller Vorstellungskraft in einer kontinuierlichen kognitiven Sequenz – reagiert auf das „Gehirn im Bottich“-Problem. Aber um objektiv zu sein: Von „Robotern die Welt verstehen lassen“ bis hin zu „Robotern in der realen Welt stabil arbeiten lassen“ hat die Hy-Embodied-Serie erst den ersten Schritt abgeschlossen. Die Gesamtlösung hat hinsichtlich der Stabilität für Langstreckenmissionen, der Verfügbarkeit von Trainingsdaten und der Anpassungsfähigkeit an komplexe Industrieszenarien noch einen langen Weg vor sich.

Nutzerbewertungen

STurner_2020

—

腾讯这波发得挺猛的，VLM、RxBrain、VLA 三件套一口气全开源了，关键是真有工厂落地数据，不是只发论文。

MDiaz1689

—

RxBrain 那个统一文本推理和视觉想象的思路有点意思，比单纯的 VLM+World Model 拼起来更优雅。

Emma_Hernandez

—

看了张正友关于「缸中之脑」的访谈，说得挺透的。现在大模型确实像关在缸里的大脑，知识很丰富但没有身体去验证。

BrandonPowellK87

—

日化品工厂那个落地案例有点说服力，95% 成功率、6 秒/件的节拍、新增 SKU 只要 3 天适配，这数据在 WAIC 上算很能打的了。

lazysnake753

—

Hy-Embodied-VLM-1.0 用 A3B 的规模做到接近上代 A32B 的效果，这个效率提升是真的香，机器人端部署不用背那么重的计算包袱了。

AnnaPetersonIII99

—

腾讯坚持不做机器人硬件本体，这点倒是挺清醒的。做平台和大脑的逻辑对，但问题在于——机器人厂商愿不愿意把「大脑」外包给腾讯？

TheElisaHidalgo_2024

—

全栈都开源了，Apache-2.0 协议，这点比字节和小米厚道不少。不过训练数据没开源，5 万小时的数据不放出来，别人想复现定制还是难。

Jonathan77z

—

Apexio 那个三层架构——认知、感知行动、执行——频率从低到高分三层，挺像人脑的分层设计。说响应时间从几十秒缩短到 2-3 秒，这个提升确实大。

PEbel

—

RoboDojo 仿真综合第一确实好看，但仿真和真机之间的差距懂的都懂。腾讯自己也不敢多吹仿真，重点在讲工厂实测。

MrLillySveum

—

说到底 RxBrain 目前最大的瓶颈还是视觉想象的误差累积问题，八步规划从 0.69 掉到 0.55，真的跑长程任务还是悬。

Bryan_Williams_2021

—

智元、星海图它们都自研大模型了，腾讯的「平台+生态」逻辑在移动互联网时代没错，但在具身智能这个领域，数据是核心生产资料，机器人厂商真的甘心把自己大脑交给别人？

CClark_X266

—

VLA-0.5 那个 UMI 采集系统挺扎实的，亚毫米级精度、一万小时人类示教数据，这是真金白银砸出来的。不是那种「在仿真里跑了几个 benchmark 就吹上天」的路线。

beautifulcat979

—

腾讯这次把 WorkBuddy APP、ADP 4.0 海外版和 Hy-Embodied 一起发了，覆盖面确实广。但具身智能这块还是觉得偏早期，离真正的通用机器人还有很大距离。

BeverlyRobinsonSr

—

RxBrain 的 GenEval 文生图得分 82.4，和 BAGEL 的 82 分持平，一个具身认知模型能做出这个生成质量确实意外。说明统一架构没有牺牲生成能力。

SAmen

—

WAIC 转了一圈，腾讯的展台是人最多的之一。现场那个按摩机器人「小六」的力控确实惊艳，听说基于腱绳传动，能复现人手的按摩轨迹。

MMitchellJr86

—

对比前年 WAIC 的 PPT 发布，腾讯这次有了 Tairos 平台的一年沉淀、有了工厂落地数据、有了开源生态，进步还是看得见的。但具身智能这个赛道还有很长的路要走。

Heather_Ramos_2024

—

世界模型的概念今年被炒得太火了，各家都在说自己做了世界模型。张正友说「世界模型还没有统一定义」，还是比较诚实的。

rtko4f2uts

—

腾讯的 EaaS 思路对中小机器人厂商很友好，不用自建训练和部署基础设施。但 GPU 的租赁成本算下来一个月也得几万块，也不是小数目。

GloriaMiller_2021

—

Hy-Embodied 这个命名体系挺好的，VLM 是眼睛、RxBrain 是大脑、VLA 是小脑。对开发者来说很清楚该用哪个。

Sharon_Cooper_99_684

—

腾讯如果不做硬件本体，那和宇树、智元它们的竞合关系会很微妙——既是平台提供方，又是投资人。这种双重身份怎么处理还没看到答案。