38 项里 19 项第一：腾讯 Hy-Embodied 按感知—动作环评具身 Agent

38 项里 19 项第一：腾讯 Hy-Embodied 按感知—动作环评具身 Agent

腾讯 Robotics X、混元视觉团队、福田实验室 2026 年 7 月 14 日的技术报告 Hy-Embodied-VLM-1.0: Efficient Physical-World Agents（arXiv:2607.12894）。项目负责人 Yongming Rao，核心贡献者 Ziyi Wang、Xumin Yu、Yonggen Ling，监督是 Han Hu、Zhengyou Zhang。代码在 https://github.com/Tencent-Hunyuan/HY-Embodied 。Hy-Embodied-VLM-1.0 是面向物理世界的具身基础模型，激活参数大约 3B。这篇评测不把它当成一堆互不相关的视觉问答，而是按感知—动作环的三段来排 38 个诊断基准，再放到两条闭环导航里看能不能接成持续行为。

排名只在相近激活规模里算，思考模式并不统一

主排名只比激活参数相近的模型：Hy-Embodied-0.5 MoT-2B、Qwen3.6-A3B、Embodied-R1.5（8B，只有 Instruct，没有单独的思考模式）、Cosmos3-Nano（视觉语言部分也是 8B）。Hy-Embodied-0.5 A30B 只作更大规模的参照，不参与最好、次好的排名和高亮。

Qwen3.6-A3B、Embodied-R1.5、Cosmos3-Nano 是这篇用同一条评测流水线重跑的，所以分数可以和原论文不一样。Cosmos3-Nano 打开思考后明显变差，表里报的是不思考。Qwen3.6-A3B 和全部 Hy-Embodied 变体，包括 VLM-1.0 A3B，用思考模式。每个基准沿用官方协议，指标方向调成越高越好，分数写成百分比。类别平均在该能力类内部计算。总平均覆盖全部 38 项，是按基准数加权，不是三类平均再平均：68.6×23、64.1×8、57.4×7 再除以 38，得到 65.6。

38 项里，VLM-1.0 第一 19 项、第二 11 项，前二共 30 项。总平均 65.6，比同规模里最强的 Qwen3.6-A3B 高 4.4（61.2），比上一代 MoT-2B 高 8.4（57.2）。A30B 不进这个排名。

下面四列表的列顺序相同：MoT-2B（思考）、A30B†（思考，不排名）、Qwen3.6-A3B（思考）、Embodied-R1.5（Instruct）、Cosmos3-Nano（不思考）、VLM-1.0 A3B（思考）。

状态理解 23 项：类平均 68.6，不是每项都第一

这一段看当前物理状态：物体和属性、几何和视角、以及能拿来动作的空间表征。23 项分三组。物理和语义：BLINK、CV-Bench、PixMo-Points、PointBench。空间：内部基准 Depth-InHouse，以及 3DSRBench、All-Angles-Bench、DA-2K、ERQA、EmbSpatial-Bench、MMSI-Bench、MindCube、SAT、SIBench-mini、SITE-Bench-Image、ViewSpatial-Bench。机器人向：OpenEQA、PartAfford、RoboAfford、RoboRefIt、RefSpatial-Bench、RoboSpatial-Home、Where2Place。

可比模型里类平均 68.6，高于 Qwen 的 63.7，差 4.9。23 项里第一 11 项、第二 9 项，前二共 20 项。A30B 的类平均 71.1 更高，但不进排名。输给可比模型的格子包括：BLINK 87.3 低于 Qwen 87.9；3DSRBench 52.6 低于 MoT-2B 57.0；All-Angles 63.4 低于 Qwen 64.0；DA-2K 83.2 低于 MoT-2B 92.3；EmbSpatial 82.7 低于 Qwen 83.2；MMSI 41.8 低于 Qwen 41.9；SAT 78.0 低于 Qwen 80.7；OpenEQA 63.1 低于 Qwen 73.2；PartAfford 63.7 低于 Embodied-R1.5 的 82.6；RoboAfford 71.5 低于 Cosmos 76.2；RoboSpatial-Home 69.4 低于 Qwen 70.9；Where2Place 65.0 是这一组可比模型里的最低，低于 R1.5 的 73.0。Depth-InHouse 是内部基准。

动作迁移 8 项：类平均 64.1，轨迹视觉这一项输给 R1.5

这一段看交互意图、当前配置下选哪个动作、把动作落到物体或方向、以及这个动作立刻会怎样。交互：FineBench、CrossHOI-Bench。决策和落地：PIO、VABench-Point、VABench-Visual-Trace、ShareRobot-Bench 的可供性和轨迹两条。局部机器人推理：RoboBench-MCQ。

类平均 64.1，比这一类最强可比基线 Embodied-R1.5 的 58.8 高 5.3。第一的是 FineBench、CrossHOI、PIO、ShareRobot 轨迹、RoboBench-MCQ。VABench-Point 59.7 低于 R1.5 的 61.4。VABench-Visual-Trace 79.7 低于 R1.5 的 89.8，也低于 Qwen 80.3 和 Cosmos 81.6。ShareRobot 可供性 26.7 低于 Qwen 28.2 和 MoT-2B 26.8。

序列与自适应 7 项：类平均只高 1.4，反思不是全面第一

这一段看历史和进度、长程规划、失败后的反思和修复。历史和进度：SITE-Bench-Video、VSIBench、EgoPlan2、Cosmos。长程：VLABench、RoboBench-Planning。反思修复：RoboFAC。

类平均 57.4，比 Qwen 55.9 高 1.4，比 A30B 的 58.7 低，A30B 仍不进排名。第一是 VLABench、RoboBench-Planning、RoboFAC。SITE-Bench-Video 69.2 低于 Qwen 71.1。VSIBench 58.9 低于 MoT-2B 60.5 和 R1.5 59.2。EgoPlan2 49.6 低于 R1.5 的 61.0。Cosmos 这一项 66.9 低于 R1.5 68.6、Qwen 67.8 和 Cosmos3-Nano 67.1。

闭环导航：指令跟随和找物体是两套协议

诊断分之外，模型被放进两条闭环导航，每一步环境变了之后，观测历史和导航状态再喂回去。

R2R-CE 是连续 Matterport3D 里的 Room-to-Room，环境是 Habitat，评测切分 val-unseen，环境与训练不重叠。每步只看路线指令和累积的第一人称 RGB，不用地图。同一套参数、不同角色提示，同时做动作预测和是否停止。输出是停止，或一段有限的低层导航动作。执行后把新观测接进历史再问。成功半径是标准的 3 米。指标：成功率 SR、Oracle Success OS、按路径长度加权的成功 SPL、导航误差 NE（米，越低越好）。

SR、SPL、NE 最好：57.9、54.2、4.5。相对各指标上最强基线，SR +0.4，SPL +2.1，NE 少 0.3 米。OS 66.4 低于 Qwen-VLA-Instruct 的 69.0，排第二。SR 更高且 NE 更低，论文把它读成接近终点时对终止状态的判断更稳，不是 OS 更高。

MP3D 物体目标导航没有路线说明，只给目标类别和 RGB-D，要在没见过的环境里找到实例并在成功区域停下。框架用深度产生可通行候选，并跨观测维持显式空间表征。模型负责方向打分、子目标选择、目标落地和动作选择。所有模型用同一套几何处理和空间记忆，没有针对 ObjectNav 的参数适配。这是零样本。

SR 比 Qwen3.6-35B-A3B 高 2.2，SPL 高 1.4。对照模型名是 35B-A3B，和前面诊断表里的 Qwen3.6-A3B 不是同一行。

这些数不能被读成什么

思考模式不统一：R1.5 只有 Instruct，Cosmos 打开思考后变差所以报不思考，Qwen 和 Hy 用思考。A30B 多处类平均更高，被排除出排名。重跑分可以和原论文不一致。Depth-InHouse 是内部基准。总平均按 38 个基准平均，不是三类平均的平均。诊断表是静态基准；导航才是闭环，而且 R2R 只要 RGB、无地图，ObjectNav 用 RGB-D 加共享的几何和空间记忆，两边输入不一样。OS 更高不等于 SR 或路径效率更高。没有单独的限制节把统计显著性和重复次数写出来，表内是单次协议下的百分比。预印本许可证是 arXiv.org perpetual non-exclusive license，这篇只复述评测协议和表内数字。

出处：腾讯 Robotics X、混元视觉团队、福田实验室，Yongming Rao、Ziyi Wang、Xumin Yu、Yonggen Ling 等，Hy-Embodied-VLM-1.0: Efficient Physical-World Agents，2026-07-14，https://arxiv.org/abs/2607.12894