Otwarte źródło robota mózg: 22 punkt odniesienia 16 pierwszy, przeciwko Gemini
Intelling open- source robot mózgu: nowy inteligentny gracz
Zeng Tse Yuan został wczoraj zwolniony. HY- embodied- 0,5To nie jest zwykły, duży model językowy - jest dla robotów.MózgNie wiem. I...Pełne otwarte źródłoNie wiem.
Tym razem to poważna sprawa.
Dwie wersje, dwa uderzenia.
HY- Embodied- 0.5 zawiera dwie wersje:
| Wersja | Parametry | Pozycjonowanie | Wydajność |
|---|---|---|---|
| MoT- 2B | Parametry całkowite 2B Aktywuj / 4B | Rozmieszczanie marginalne (roboty) | Badanie podstawowe, 16 modeli rówieśników |
| 32B | Parametry 32B | Kompleksowe rozumowanie (chmura / serwer) | Kontrast Gemini 3.0 Pro |
Najważniejsze punkty MoT- 2B: Chociaż ogólny parametr to 4B, w rozumowaniu aktywowane są tylko parametry 2.2B. Co oznacza...Prędkość modelu 2B z możliwością przekroczenia 2BNie wiem.
Cztery podstawowe technologie
1. Architektura MoT (Mixture- of- Transformers)
Tradycyjny VLM (wizualny model językowy) łączy wizualny i językowy. HY- emboded używanyArchitektura MoT, i osiąga konkretne obliczenie modułu za pomocą żetonów utajonych:
- Ścieżka wizualnaSpecjalny moduł obróbki wizualnej
- Ścieżka językowaSpecjalny moduł przetwarzania tekstu
- Uzasadnienie synergiczne: Wspólne rozumowanie w całym paradygmacie
Skutki takiego działania:Wizualna zdolność czuciowa znacznie się poprawiła., przy zachowaniu efektywnego tempa rozumowania.
2. Rozumowanie łańcuchowe + destylacja ewolucyjna
Jak mały model może mieć duży model rozumowania? Odpowiedź brzmi...Destylacja:
- 32B Modele uczą się kompleksowego myślenia krok po kroku, planowania, myślenia
- Przez destylację w ramach polityki,Przesuń do modelu 2B
- Można tworzyć małe modele.Uzasadnienie łańcuchoweKrok po kroku.
3. Szkolenie wstępne na dużą skalę
Rozmiar danych: powyżej 100 mln Fizyczne i przestrzenne punkty danych, over 200 mld Tokeny.
To sprawia, że modelki się uczą:
- Przestrzeń 3D głębokie zrozumienie
- Interaktywne podejście obiektów fizycznych
- Dynamika agenta
To nie tylko dane tekstowe., dane specjalnie dla scenariuszy robotycznych.
4. Aplikacja VLA (Vision- Language- Action)
HY- Emboded nie jest tylko modelem do przeprowadzania testów wzorcowych, jest zaprojektowany tak, abyGłówny silnik poznawczy fizycznego robota.:
- Spójna integracja z ramami VLA
- Jako robot mózg prowadzi skomplikowane zadania.
- Wysoki wskaźnik sukcesu prawdziwych robotów.
Test podstawowy: kruszenie rówieśnika
W 22 inteligentnych testów referencyjnych, MoT- 2B jest16 rozgniatanych modeli rówieśników:
| Punkt odniesienia | HY- emboded | Qwen3- VL 2B | RoboBrain 4B |
|---|---|---|---|
| CV- Bench | 89.2 | 80.0 | 86.9 |
| DA- 2K | 92.3 | 69.5 | 79.4 |
| EmbSpatial- Bench | 82.8 | 75.9 | 73.8 |
| MindCube | 66.3 | 28.4 | 26.9 |
Najbardziej oczywistą różnicą jest MindCube.: HY- Emboded 66.3 vs Qwen3- VL 28.4,2.3 Wielokrotne korzyściNie wiem.
Dlaczego to takie ważne?
Mądrze.Ślady klucza na następną dekadę.:
- Model językowy: rozwiązanie problemu "zrozumienia" i "generacji"
- Wzór wizualny: rozwiązał problem "zobacz"
- Mądrze.: Rozwiąż "zrozumienie + zobacz + działanie" pełną zamkniętą pętlę
Roboty potrzebują:
- Postrzeganie3D Przestrzeń, pozycja obiektu, zmiany środowiskowe
- Argumenty: zaplanować przebieg działania, przewidzieć konsekwencje
- Wykonanie: Kontrola mocy elektrycznej, praca fizyczna
Hy- embodred rozwiązanePierwsze dwa pytaniaI daje robotowi prawdziwy mózg.
Jak to działa?
Adres otwartego źródła:
- GitHub:https: / / github.com / Tencent- Hunyuan / HY- Emboded
- Przytulanie twarzy:https: / / huggingface.co / tencent / HY- Embodied- 0.5
# 安装 pip install git+https://github.com/huggingface/transformers@... # 克隆仓库 git clone https://github.com/Tencent-Hunyuan/HY-Embodied cd HY-Embodied/ pip install -r requirements.txt # 运行推理 python inference.py
Wymagania dotyczące sprzętu:
- GPU: co najmniej 16 GB VRAM (zalecane NVIDIA GPU)
- CPU: Obsługiwane, ale powolne
- Magazynowanie: 20GB + (model o 8GB)
Streszczenie
Otwarte źródło HY- embodied- 0.5, znakowanieNa tyle bystry, by wejść w Wiek Otwarty:
- Wersja 2B kruszy ten sam poziom, nadaje się do zastosowania na krawędzi robota.
- 32B wersja parowania Gemini 3.0Pro, nadaje się do rozumowania w chmurze
- Architektura MoT + rozumowanie łańcuchowe + 100M + trening danych
- Aplikacje VLA dają robotom prawdziwy mózg.
To jest...Poważny przełom dla chińskich firm w dziedzinie inteligencji.Nie wiem.
Robot ma mózg i zadziała.