腾讯发布全新机器人大模型 HY-Embodied-0.5-X，让机器人真正“看懂”并“动手”

近日，腾讯 Robotics X 实验室联合混元团队正式开源了 HY-Embodied-0.5-X，这是一款专为真实场景设计的机器人多模态大模型。它不再只是能“看”和“说”，而是能真正理解环境、规划动作、完成精细操作——比如帮你拿遥控器、整理桌面、识别杯子是否放稳，甚至判断哪个动作可能打翻东西。

这个模型的核心，是让机器人从“实验室演示”走向“日常使用”。过去很多机器人系统在可控环境下表现不错，但一到真实家庭或办公室，就容易卡壳：听不懂“把那本书递给我”里的“那本”是哪一本；分不清咖啡杯和水杯；动作太猛把东西碰倒。HY-Embodied-0.5-X 就是为解决这些问题而生。

两个版本，一个目标：端侧能跑，云端更强

HY-Embodied-0.5 系列分两个版本：MoT-2B 和 MoE-32B。前者只有20亿参数，专为机器人本体设计，能在嵌入式芯片上实时运行，响应速度快，适合家用机器人、服务机器人这类对延迟敏感的场景。后者320亿参数，跑在云端，处理复杂任务更稳，比如同时规划多个动作、理解长指令、处理多步骤任务。

这次开源的是 HY-Embodied-0.5-X，它基于 MoT-2B 架构优化而来，重点打磨了“动作-视觉-语言”的协同能力。简单说，它能一边看摄像头，一边听你说“把左边那个蓝色的杯子拿过来”，一边计算手要怎么伸、怎么抓、怎么放，还不碰倒旁边的手机。

训练数据，不是靠“抄”来的

很多人以为大模型靠爬网页就能练好，但机器人不一样。HY-Embodied-0.5-X 的训练数据里，有超过70%来自腾讯自建的机器人操作实验室——用真实机器人在模拟家庭、办公桌环境里一遍遍做动作，录下第一视角画面、手部动作、语音指令和失败案例。

团队还整合了公开的具身数据集，比如 RobotX、Ego4D 等，但做了大量清洗和标注。比如，不是简单标注“拿杯子”，而是标注“杯子在右前方，手要先绕开咖啡机，用拇指和食指捏杯柄，抬高5厘米避免碰倒纸巾盒”。这些细节，才是让机器人不“手忙脚乱”的关键。

他们还引入了“思维链标注”——把机器人的决策过程像人一样写出来：“先看杯子在哪→判断是否稳固→计算抓取点→避开障碍→执行动作→确认是否成功”。这种结构化思维，让模型不再“黑箱操作”，训练更可控，错误更少。

训练方式很“笨”，但很有效

团队没用那种“一口气上万张卡狂训”的方式，而是分阶段来：

• 第一步：用几百个高质量、标注精细的小样本，调通整个训练流程，确保每个环节都跑得通；
• 第二步：逐步扩大数据量，加入更多噪音、模糊指令、干扰场景，测试模型鲁棒性；
• 第三步：才在真实机器人上跑测试，反复迭代。

这种“慢工出细活”的方式，让模型在面对“把桌上的东西收一收”这种模糊指令时，也能主动问：“是收进抽屉，还是放回原位？”而不是乱抓一通。

能干啥？不只是“炫技”

HY-Embodied-0.5-X 不是为比赛设计的。它的目标很实际：

• 在家庭里，帮老人拿药、递水、整理杂物，不靠预设程序，能适应每天不同的摆放；
• 在办公桌场景，自动识别你刚用完的笔、鼠标、笔记本，归位或提醒你带走；
• 能判断“这个动作危险”——比如伸手去拿热咖啡时自动减速，或发现地面有水渍会绕行。

目前，该模型已在腾讯内部的家用机器人原型机上落地测试，部分功能已进入灰度体验阶段。团队表示，未来会开放部分API和模型权重，供开发者和研究者在真实机器人平台上试用。

这不是噱头，是机器人走向实用的第一步

过去几年，大模型火了，机器人也跟着喊“多模态”“具身智能”，但多数停留在视频演示。HY-Embodied-0.5-X 的特别之处，在于它不追求参数多、跑得快，而是追求“不犯错、能干活、懂人话”。

它不炫技，但很靠谱。如果你家机器人终于能听懂你随口说的一句话，而不是非得按固定指令才能动——那才是真正的进步。