騰訊 HY-Embodied-0.5：2B 邊緣模型贏過 4B 與 7B 對手

騰訊 HY-Embodied-0.5 把 32B 的具身推理蒸進 2B 邊緣模型，在 22 個 benchmark 贏過 Qwen3-VL 4B 10.2 點，真實機器人 Mug Hanging 75% 比 π0 的 45% 高 30 點。 ⭐ 文章深度讀：拆解 OPD 蒸餾怎麼讓 2B 贏過 4B 與 7B，還有 benchmark 該怎麼讀的 caveat 清單 → https://heymaibao.com/tencent-hy-embodied-0-5/ ⚡ 章節重點 騰訊真的打敗 Gemini 了嗎 00:00 2B 小模型以小博大的真相 00:49 具身 AI 卡在哪裡 01:57 三個技巧與 OPD 秘密武器 03:00 benchmark 數字怎麼讀才準 04:52 真實機器人的 30 點差距 05:29 小模型時代跟你的關係 05:56 📝 懶人包 ∙ 騰訊發 HY-Embodied-0.5，包含 2B 與 32B 兩個版本。2B 版在 22 個 benchmark 上拿下 16 個第一，平均 58.0%，比 4B 的 Qwen3-VL 高 10.2 點、比 4B 的 RoboBrain 2.5 高 8.6 點。32B 版平均 67.0%，論文聲稱比 Gemini 3.0 Pro 的 63.6% 高 3.4 點，但這個對比條件要看清楚再判讀。 ∙ 架構創新叫 Mixture-of-Transformers，簡單說就是把視覺和語言分成兩條計算通道，視覺 token 走一條、文字 token 走另一條，但兩條路徑放在同一個模型裡。這讓小模型的有效參數量幾乎翻倍，但推論成本幾乎不變。 ∙ 後訓練用 RL 與 RFT 交替的循環，再把 32B 的具身推理蒸餾進 2B。在真實雙臂機器人的 Mug Hanging 任務上，他們的 75% 成功率比開源 VLA 基準 π0 的 45% 高了 30 點。 ∙ 我的觀察：這篇論文真正的故事不是「贏過 Gemini」，而是「一個邊緣尺寸的小模型贏過比自己大一倍以上的對手」。關鍵動力是他們的蒸餾做法，讓學生模型自己先做一遍，老師在旁邊看著即時糾正，而不是老師錄一段示範讓學生模仿。任何想把大模型能力下放到邊緣裝置的團隊，這個範式都值得抄一份。 📚 參考資料 HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents → https://arxiv.org/abs/2604.07430 Tencent-Hunyuan/HY-Embodied → https://github.com/Tencent-Hunyuan/HY-Embodied