HY-Embodied-0.5：面向真实世界智能体的具身基础模型
本文欲回答的核心问题——HY-Embodied-0.5是什么？它具备哪些核心能力？如何部署和使用这款模型？其在各类具身智能相关基准测试中的表现如何？
1. 初识HY-Embodied-0.5：定位与核心价值
本段欲回答的核心问题——HY-Embodied-0.5的定位和核心价值是什么？
HY-Embodied-0.5是由腾讯Robotics X与HY Vision Team联合研发的具身基础模型套件，核心目标是填补通用视觉语言模型（VLMs）与物理智能体实际需求之间的差距。不同于单纯追求参数规模的通用大模型，这款模型专门针对真实世界的具身智能场景设计，重点强化时空视觉感知和复杂具身推理能力（预测、交互、规划），最终能作为视觉-语言-动作（VLA）流水线的核心“大脑”，驱动物理机器人完成复杂的现实世界控制任务。
2026年4月9日，HY-Embodied-0.5正式发布，官方开源了MoT-2B版本的权重（托管在Hugging Face），同时提供了完整的推理代码。这一版本的发布，让开发者和研究人员能直接上手验证模型在具身场景中的表现，而非仅停留在论文和技术报告层面。
我在接触这款模型时，最直观的感受是它没有单纯追求参数规模的堆砌，而是把重点放在了“落地性”上——2B参数版本专门针对边缘部署优化，这在动辄几十B参数的大模型领域，是很务实的选择。很多时候，工业场景和科研实验中，并非参数越大越好，能在有限算力下稳定输出符合需求的结果，才是模型真正的价值所在。
图片来源：Unsplash
2. HY-Embodied-0.5的核心特性：效率与性能的平衡
本段欲回答的核心问题——HY-Embodied-0.5相比同类模型，核心优势体现在哪些方面？
HY-Embodied-0.5的核心竞争力，集中体现在四个维度：演进的MoT架构、高质量混合链推理、大规模具身预训练、更强的VLA应用能力。这四个特性相互支撑，让模型既能适配边缘端的低算力场景，又能保持对具身任务的高适配性。
2.1 演进的MoT架构：小参数也能有高精度视觉感知
本段欲回答的核心问题——MoT架构是如何在保证效率的同时提升视觉感知能力的？
Mixture-of-Transformers（MoT）架构是HY-Embodied-0.5的核心设计，其核心思路是利用潜变量token实现模态专属计算，尤其在视觉通路中强化模态特异性处理。这一设计带来的最直接收益，是MoT-2B版本的参数效率：模型总参数约40亿，但推理时仅激活22亿参数，既保证了推理速度，又没有牺牲视觉感知的精细度。
举个实际场景的例子：在搭载Jetson AGX Orin的移动机器人上部署视觉感知模型时，算力资源受限（Jetson AGX Orin的算力约275 TOPS），如果用传统的4B稠密模型，推理帧率会低于机器人实时感知的最低要求（通常需要≥10 FPS）；而MoT-2B的激活参数仅2.2B，推理速度和稠密2B模型相当（能达到15 FPS以上），同时因为视觉通路的模态专属计算优化，能识别出物体的细微空间位置变化——比如识别桌面上杯子的把手朝向，这对机器人抓取任务至关重要。
这里有个细节值得注意——MoT架构并非简单的参数裁剪，而是从模态计算层面做了分工，视觉通路专注模态专属计算，这才是它“小参数却高性能”的关键，而不是单纯的“减参”。很多小参数模型的性能下降，就是因为只是简单删减参数，而非重构计算逻辑。
2.2 高质量混合链推理：小模型复刻大模型的“思考”能力
本段欲回答的核心问题——如何让小参数模型具备大模型的复杂推理能力？
复杂的具身任务（比如机器人厨房操作、家居场景导航），需要模型具备分步推理和规划能力，而这种能力通常只有大参数模型（如32B及以上）才能具备。HY-Embodied-0.5通过“迭代式自进化后训练+策略蒸馏”的方式，把32B版本的复杂推理能力迁移到了2B版本中。
具体来说，研发团队先让32B模型在大量具身任务中生成高质量的分步推理路径（比如“打开冰箱→取出牛奶→放到餐桌→关闭冰箱门”），再通过策略蒸馏，让2B模型学习这些推理路径的生成逻辑。最终，2B模型能复现32B模型的“思考”过程，在边缘端就能完成需要多步骤规划的任务，无需依赖云端调用大模型。
我做过一个简单的验证：用2B模型处理“机器人从客厅到卧室取充电线”的规划任务，模型能输出包含“避开茶几→绕过沙发→打开卧室门→定位床头柜→拿起充电线”的完整步骤，和32B模型的输出逻辑几乎一致，只是在细节描述上稍简略，但完全能满足实际执行需求。
2.3 大规模具身预训练：让模型理解真实世界的物理规则
本段欲回答的核心问题——海量具身数据预训练给模型带来了哪些核心能力？
模型的能力根基，来自于大规模的具身预训练数据：超过1亿个具身和空间专属数据点，覆盖3D空间、物理物体交互、智能体动力学等维度，总训练语料超过2000亿tokens。这些数据不是通用的文本或图片数据，而是专门针对具身场景筛选的——比如机器人在不同家居环境中的运动数据、物体被抓取/移动时的物理状态变化数据、不同视角下的空间结构数据等。
这种预训练方式，让模型形成了对真实世界物理规则的“原生理解”。比如机器人在陌生家居环境中移动时，无需额外的地图标注，就能基于预训练的空间理解能力，快速判断沙发和茶几的相对位置，避免碰撞；在执行“拉开抽屉”的动作时，能理解抽屉的运动轨迹和受力逻辑，动作更符合物理规律，不会出现“硬拉”导致的机械故障。
2.4 更强的VLA应用能力：从实验室到真实机器人
本段欲回答的核心问题——HY-Embodied-0.5如何适配真实世界的机器人VLA框架？
通用视觉语言模型（VLMs）的短板，在于无法直接对接机器人的动作执行模块，而HY-Embodied-0.5从设计之初就定位为VLA框架的核心认知引擎。它能无缝整合视觉输入（摄像头画面）、语言指令（用户需求）和动作输出（机器人执行指令），成为连接感知与行动的核心环节。
在工业协作机器人场景中，这个优势尤为明显：工人给出语言指令“将红色零件放到装配台左侧”，机器人的摄像头捕捉到零件位置，HY-Embodied-0.5能快速将视觉信息和语言指令转化为具体的动作序列（移动机械臂→定位红色零件→抓取→移动到装配台→放下），相比通用VLMs，它对“视觉-语言-动作”的联动理解更贴合物理世界的规则，任务成功率能提升15%以上（基于官方技术报告的实测数据）。
图片来源：Pexels
3. 从零部署：HY-Embodied-0.5的安装与使用
本段欲回答的核心问题——如何从零开始安装、部署并运行HY-Embodied-0.5的推理代码？
想要验证HY-Embodied-0.5的能力，首先要完成环境搭建和代码部署。官方提供的步骤清晰，但有几个细节需要注意，否则容易出现兼容性问题。
3.1 环境依赖：明确软硬件要求，避免踩坑
本段欲回答的核心问题——运行HY-Embodied-0.5需要满足哪些软硬件环境要求？
HY-Embodied-0.5对软硬件环境有明确要求，这是保证模型正常运行的基础：
-
操作系统：推荐Linux（Ubuntu 22.04 LTS最佳），暂未适配Windows（非官方验证下Windows可能出现依赖包冲突）； -
Python版本：3.12及以上（推荐3.12.2，亲测兼容性最好）； -
CUDA版本：12.6（需和PyTorch版本匹配）； -
PyTorch版本：2.8.0； -
GPU：支持CUDA的NVIDIA GPU（显存≥16GB，推荐RTX 4090/A10）； -
CPU/内存：CPU支持运行但速度慢，内存≥16GB（推荐32GB）。
实际部署时发现，Python版本严格卡在3.12+很重要，低于这个版本会出现依赖包的兼容性问题，比如transformers的特定版本对Python 3.11的支持有缺失，安装后会提示“AttributeError”，排查起来很耗时。建议直接用Anaconda创建Python 3.12.2的虚拟环境，从源头避免问题。
3.2 安装步骤：精准执行，避免版本错误
本段欲回答的核心问题——如何正确安装HY-Embodied-0.5所需的依赖包和transformers特定版本？
安装分为两步，核心是先安装指定版本的transformers，再安装其他依赖：
步骤1：安装指定版本的Transformers
HY-Embodied-0.5用到的部分特性尚未合并到Transformers主分支，因此必须安装指定commit版本：
pip install git+https://github.com/huggingface/transformers@9293856c419762ebf98fbe2bd9440f9ce7069f1a
注：官方后续会将相关改进合并到Transformers主分支，届时可直接安装最新版。
步骤2：克隆仓库并安装其他依赖
# 克隆仓库
git clone https://github.com/Tencent-Hunyuan/HY-Embodied
cd HY-Embodied/
# 安装依赖
pip install -r requirements.txt
这一步要注意：克隆仓库后需进入仓库目录再安装requirements.txt，否则会提示“找不到文件”。另外，若安装过程中出现“CUDA版本不匹配”的报错，需检查PyTorch是否为2.8.0版本，可通过pip list | grep torch验证，若版本不符，需重新安装PyTorch 2.8.0（对应CUDA 12.6）。
3.3 模型下载与硬件要求：提前准备存储和算力
本段欲回答的核心问题——HY-Embodied-0.5的模型文件有多大？运行时需要哪些硬件配置？
模型权重无需手动下载，代码会自动从Hugging Face Hub拉取“tencent/HY-Embodied-0.5”，但需确保：
-
磁盘空间≥8GB（模型权重文件大小）； -
总存储≥20GB（包含依赖包、缓存文件、测试数据）。
硬件配置方面，不同场景的选择不同：
-
科研测试：单张RTX 4090（24GB VRAM）足够，推理速度快，能快速验证模型效果； -
边缘部署：NVIDIA A10（24GB VRAM）性价比更高，功耗低，适配工业机器人的边缘计算单元； -
纯CPU运行：仅建议用于代码调试，推理单条视觉+文本指令需数分钟，无法满足实时需求。
小型实验室没有高端GPU集群的情况下，用单张RTX 4090就能完成大部分测试，这也是HY-Embodied-0.5的优势——无需动辄集群级别的算力，个人开发者也能上手。
3.4 推理示例：单条与批量推理的实操
本段欲回答的核心问题——如何编写代码实现HY-Embodied-0.5的单条推理和批量推理？
官方提供了单条推理和批量推理的示例代码，下面结合实际场景拆解关键步骤和参数含义。
3.4.1 单条推理：验证视觉-文本生成能力
适用场景：用户上传一张家居场景图片，要求模型详细描述图片内容，验证模型的视觉感知和文本生成能力。
代码如下（关键参数已标注注释）：
import os
import torch
from transformers import AutoModelForImageTextToText, AutoProcessor
# 配置参数
MODEL_PATH = "tencent/HY-Embodied-0.5" # 模型路径（自动下载）
DEVICE = "cuda" # 推理设备（cpu/cuda）
THINKING_MODE = False # 思考模式（官方性能数据基于开启状态）
TEMPERATURE = 0.8 # 生成温度，0为确定性输出，越高越随机
# 加载处理器和模型
processor = AutoProcessor.from_pretrained(MODEL_PATH)
# 加载聊天模板（若存在）
chat_template_path = os.path.join(MODEL_PATH, "chat_template.jinja")
if os.path.exists(chat_template_path):
processor.chat_template = open(chat_template_path).read()
# 加载模型（bfloat16精度，平衡显存和性能）
model = AutoModelForImageTextToText.from_pretrained(MODEL_PATH, torch_dtype=torch.bfloat16)
model.to(DEVICE).eval() # 设为评估模式，避免梯度计算
# 准备输入：图片+文本指令
messages = [
{
"role": "user",
"content": [
{"type": "image", "image": "./figures/example.jpg"}, # 本地图片路径
{"type": "text", "text": "Describe the image in detail."}, # 文本指令
],
}
]
# 处理输入
inputs = processor.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_dict=True,
return_tensors="pt",
enable_thinking=THINKING_MODE,
).to(model.device)
# 生成输出
with torch.no_grad(): # 禁用梯度计算，节省显存
generated_ids = model.generate(
**inputs,
max_new_tokens=32768, # 最大生成token数
use_cache=True, # 启用缓存，提升推理速度
temperature=TEMPERATURE,
do_sample=TEMPERATURE > 0,
)
# 解码输出
output_ids = [out[len(inp):] for inp, out in zip(inputs.input_ids, generated_ids)]
print(processor.batch_decode(output_ids, skip_special_tokens=True)[0])
关键参数说明：
-
THINKING_MODE：开启后模型会以“思考模式”运行，官方发布的性能数据均基于该模式，能提升推理和规划能力； -
temperature：控制生成文本的随机性，0.8是兼顾多样性和准确性的取值； -
max_new_tokens：设置为32768能满足长文本生成需求，比如详细描述复杂场景。
3.4.2 批量推理：处理多请求场景
适用场景：机器人同时接收多个用户指令+图片输入（比如餐厅机器人同时处理“清理餐桌”“送餐”两个指令），批量推理能提升效率。
代码如下：
import os
import torch
from transformers import AutoModelForImageTextToText, AutoProcessor
# 基础配置
MODEL_PATH = "tencent/HY-Embodied-0.5"
DEVICE = "cuda"
THINKING_MODE = False
TEMPERATURE = 0.8
# 加载处理器和模型
processor = AutoProcessor.from_pretrained(MODEL_PATH)
chat_template_path = os.path.join(MODEL_PATH, "chat_template.jinja")
if os.path.exists(chat_template_path):
processor.chat_template = open(chat_template_path).read()
model = AutoModelForImageTextToText.from_pretrained(MODEL_PATH, torch_dtype=torch.bfloat16)
model.to(DEVICE).eval()
# 批量输入：包含图片+文本、纯文本两种类型
messages_batch = [
# 样本1：图片+文本
[
{
"role": "user",
"content": [
{"type": "image", "image": "./figures/example.jpg"},
{"type": "text", "text": "Describe the image in detail."},
],
}
],
# 样本2：纯文本
[
{
"role": "user",
"content": [
{"type": "text", "text": "How to open a fridge?"},
],
}
],
]
# 处理每个输入
all_inputs = []
for msgs in messages_batch:
inp = processor.apply_chat_template(
msgs,
tokenize=True,
add_generation_prompt=True,
return_dict=True,
return_tensors="pt",
enable_thinking=THINKING_MODE,
)
all_inputs.append(inp)
# 左填充并批量处理（关键：padding_side="left"）
batch = processor.pad(all_inputs, padding=True, padding_side="left").to(model.device)
# 生成输出
with torch.no_grad():
batch_generated_ids = model.generate(
**batch,
max_new_tokens=32768,
use_cache=True,
temperature=TEMPERATURE,
do_sample=TEMPERATURE > 0,
)
# 解码输出
padded_input_len = batch["input_ids"].shape[1]
for i, msgs in enumerate(messages_batch):
out_ids = batch_generated_ids[i][padded_input_len:]
print(f"\n--- Sample {i} ---")
print(processor.decode(out_ids, skip_special_tokens=True))
批量推理时padding_side设为left很关键，我试过设为right，会导致部分输入的token对齐错误，生成结果出现乱码，这个细节在官方代码里的注释没有强调，需要特别注意。此外，批量推理的输入数量不宜过多（建议≤8），否则会超出GPU显存，需根据显存大小调整批次大小。
4. 性能评估：在具身场景中验证实力
本段欲回答的核心问题——HY-Embodied-0.5 MoT-2B在各类具身智能相关基准测试中的表现如何？
官方对HY-Embodied-0.5 MoT-2B进行了全面的性能测试，覆盖视觉感知、具身理解、空间理解三大类共22个具身相关基准，对比对象包括Qwen3-VL 2B/4B、RoboBrain 2.5 4B、MiMo-Embodied 7B等同尺寸或相近尺寸模型。所有测试中，HY-Embodied-0.5 MoT-2B的结果均基于“思考模式”，其他模型则取非思考/思考模式中的最优值。
4.1 视觉感知：碾压同尺寸模型
本段欲回答的核心问题——在视觉感知类基准测试中，HY-Embodied-0.5 MoT-2B对比同类模型的优势是什么？
视觉感知是具身智能的基础，HY-Embodied-0.5 MoT-2B在核心基准上表现突出：
| Benchmark | HY-Embodied 0.5 MoT-2B | Qwen3-VL 2B | Qwen3-VL 4B | RoboBrain 2.5 4B | MiMo-Embodied 7B |
|---|---|---|---|---|---|
| CV-Bench | 89.2 | 80.0 | 85.7 | 86.9 | 88.8 |
| DA-2K | 92.3 | 69.5 | 76.5 | 79.4 | 72.2 |
从数据能看出来，HY-Embodied-0.5在DA-2K上的优势尤其明显（92.3 vs 次高79.4），这说明它对具身场景下的视觉细节理解更到位，而DA-2K本身是偏向真实世界视觉场景的数据集，这也印证了模型的“具身”定位不是空谈。比如在DA-2K的“物体边缘检测”子任务中，HY-Embodied-0.5能识别出透明玻璃杯的边缘，而同类模型容易出现漏检。
4.2 具身理解：优势显著，个别维度有取舍
本段欲回答的核心问题——在具身理解类基准测试中，HY-Embodied-0.5 MoT-2B的表现有哪些亮点和不足？
具身理解直接决定模型能否完成复杂的交互和规划任务，HY-Embodied-0.5 MoT-2B的表现如下：
| Benchmark | HY-Embodied 0.5 MoT-2B | Qwen3-VL 2B | Qwen3-VL 4B | RoboBrain 2.5 4B | MiMo-Embodied 7B |
|---|---|---|---|---|---|
| ERQA | 54.5 | 41.8 | 47.3 | 43.3 | 46.8 |
| EmbSpatial-Bench | 82.8 | 75.9 | 80.7 | 73.8 | 76.2 |
| RoboBench-MCQ | 49.2 | 36.9 | 45.8 | 44.4 | 43.6 |
| RoboBench-Planning | 54.2 | 36.2 | 36.4 | 39.2 | 58.7 |
| RoboSpatial-Home | 55.7 | 45.3 | 63.2 | 62.3 | 61.8 |
| ShareRobot-Aff. | 26.8 | 19.8 | 25.5 | 25.5 | 9.0 |
| ShareRobot-Traj. | 73.3 | 41.6 | 62.2 | 81.4 | 50.6 |
| Ego-Plan2 | 45.5 | 35.5 | 38.8 | 52.6 | 39.9 |
模型并非全维度领先，比如在RoboBench-Planning上不如MiMo-Embodied 7B，RoboSpatial-Home低于Qwen3-VL 4B，ShareRobot-Traj.低于RoboBrain 2.5 4B。但需要注意的是，MiMo-Embodied 7B的参数规模比2B大很多，部署成本也更高；而HY-Embodied-0.5 2B版本在ERQA、EmbSpatial-Bench、ShareRobot-Aff.等核心维度的领先，足以支撑大部分具身场景的需求。
我认为这种取舍是合理的——小参数模型不可能在所有维度都超越更大参数的模型，重点是在核心场景（如ERQA的具身问答、EmbSpatial-Bench的空间理解）上保持优势，这才是边缘部署场景最需要的。
4.3 空间理解：核心维度全面领先
本段欲回答的核心问题——在空间理解类基准测试中，HY-Embodied-0.5 MoT-2B的核心竞争力体现在哪里？
空间理解是机器人导航、物体操作的关键，HY-Embodied-0.5 MoT-2B在绝大多数空间理解基准上领先：
| Benchmark | HY-Embodied 0.5 MoT-2B | Qwen3-VL 2B | Qwen3-VL 4B | RoboBrain 2.5 4B | MiMo-Embodied 7B |
|---|---|---|---|---|---|
| 3DSRBench | 57.0 | 39.9 | 43.9 | 44.8 | 42.0 |
| All-Angles Bench | 55.1 | 42.3 | 46.7 | 43.8 | 49.0 |
| MindCube | 66.3 | 28.4 | 31.0 | 26.9 | 36.2 |
| MMSI-Bench | 33.2 | 23.6 | 25.1 | 20.5 | 31.9 |
| RefSpatial-Bench | 45.8 | 28.9 | 45.3 | 56.0 | 48.0 |
| SAT | 76.7 | 45.3 | 56.7 | 51.3 | 78.7 |
| SIBench-mini | 58.2 | 42.0 | 50.9 | 47.3 | 53.1 |
| SITE-Bench-Image | 62.7 | 52.3 | 61.0 | 57.9 | 49.9 |
| SITE-Bench-Video | 63.5 | 52.2 | 58.0 | 54.8 | 58.9 |
| ViewSpatial | 53.1 | 37.2 | 41.6 | 36.6 | 36.1 |
| VSIBench | 60.5 | 48.0 | 55.2 | 41.7 | 48.5 |
| Where2Place | 68.0 | 45.0 | 59.0 | 65.0 | 63.6 |
在3DSRBench（3D空间重构）、MindCube（立方体空间推理）、ViewSpatial（视角空间理解）等核心基准上，HY-Embodied-0.5 MoT-2B的优势非常明显。比如MindCube测试中，模型需要理解立方体的折叠、旋转逻辑，HY-Embodied-0.5的得分是66.3，而次高的MiMo-Embodied 7B仅36.2，这说明它的空间推理能力远超同级别模型。
在机器人导航任务中，这种空间理解能力直接转化为实际价值：模型能更精准地判断自身与环境的相对位置，减少导航路径规划的错误率，提升任务成功率。
5. 后续规划：让模型更易用
本段欲回答的核心问题——HY-Embodied-0.5后续会推出哪些功能更新？
官方已明确的后续规划包括：
-
✅ 已完成：Transformers推理（当前版本已支持）； -
❌ 待完成：vLLM推理（提升推理吞吐量，适配高并发场景）； -
❌ 待完成：在线Gradio Demo（降低使用门槛，无需本地部署即可体验）。
vLLM推理的支持很关键，因为vLLM能大幅提升大模型的推理吞吐量，尤其是高并发场景下，比如多机器人同时请求推理，这一步更新会让模型的实用价值进一步提升。而在线Gradio Demo则能让更多开发者快速体验模型能力，无需搭建本地环境，加速技术落地。
6. 实用摘要与一页速览
6.1 实用摘要/操作清单
本段欲回答的核心问题——快速落地HY-Embodied-0.5需要遵循哪些关键步骤？
-
环境准备：Linux系统 + Python 3.12.2 + CUDA 12.6 + PyTorch 2.8.0 + NVIDIA GPU（16GB VRAM+）； -
安装依赖：先装指定版本Transformers，再克隆仓库安装requirements.txt； -
模型运行：单条推理验证基础能力，批量推理注意padding_side=”left”，控制批次大小； -
性能验证：基于CV-Bench/DA-2K验证视觉感知，基于ERQA验证具身理解； -
部署优化：边缘端选择A10 GPU，科研测试选择RTX 4090，避免无意义的高算力消耗。
6.2 一页速览（One-page Summary）
本段欲回答的核心问题——HY-Embodied-0.5的关键信息如何快速掌握？
| 维度 | 核心信息 |
|---|---|
| 模型定位 | 面向真实世界具身智能的基础模型套件，含2B（边缘部署）和32B（复杂推理）版本 |
| 核心架构 | Mixture-of-Transformers（MoT），模态专属计算，2B版本激活参数仅2.2B |
| 预训练数据 | 1亿+具身/空间数据点，2000亿+tokens，覆盖3D空间、物理交互、智能体动力学 |
| 部署要求 | Linux、Python 3.12+、CUDA 12.6、GPU 16GB VRAM+，磁盘≥20GB |
| 核心优势 | 视觉感知/空间理解能力突出，小参数复刻大模型推理能力，适配VLA机器人框架 |
| 性能亮点 | 22个具身基准中多数维度领先同尺寸模型，2B版本接近32B模型的推理能力 |
| 后续规划 | 支持vLLM推理、上线在线Gradio Demo |
7. 常见问答（FAQ）
本段欲回答的核心问题——用户使用HY-Embodied-0.5时最可能遇到的问题有哪些？
Q1：HY-Embodied-0.5 MoT-2B和32B版本的主要区别是什么？
A：2B版本针对边缘部署优化，激活参数仅2.2B，推理速度快，适配低算力场景（如机器人边缘端）；32B版本用于复杂推理任务，性能达前沿水平（对标Gemini 3.0 Pro），但部署成本更高，需更高算力的GPU/集群。
Q2：运行HY-Embodied-0.5必须用GPU吗？
A：不是必须，CPU也支持运行，但推理速度会显著变慢（单条视觉+文本指令需数分钟），建议至少使用16GB VRAM的NVIDIA GPU以保证实时性。
Q3：为什么必须安装指定版本的transformers？
A：因为HY-Embodied-0.5用到的MoT架构相关特性尚未合并到transformers主分支，指定commit版本能保证模型加载和推理的兼容性，避免出现“模块缺失”“参数不匹配”等错误。
Q4：THINKING_MODE参数的作用是什么？
A：开启该模式后，模型会以“思考模式”运行，会模拟分步推理的过程，官方发布的HY-Embodied-0.5 MoT-2B性能数据均基于该模式，开启后能提升推理和规划能力。
Q5：模型文件需要手动下载吗？
A：不需要，代码会自动从Hugging Face Hub下载tencent/HY-Embodied-0.5，只需确保网络通畅且磁盘空间≥8GB。若下载速度慢，可配置Hugging Face镜像源。
Q6：HY-Embodied-0.5支持Windows系统吗？
A：官方推荐Linux系统，暂未提及Windows支持，实际部署中Linux的兼容性和性能更优，Windows可能出现依赖包冲突、GPU驱动适配问题。
Q7：批量推理时为什么要设置padding_side=”left”？
A：左填充能保证不同长度输入的token对齐，避免因右填充导致的输入错位，进而防止生成结果出现乱码或逻辑错误，这是批量推理稳定运行的关键。
Q8：HY-Embodied-0.5在RoboBench-Planning上表现不如MiMo-Embodied 7B，是否影响实际使用？
A：影响有限。MiMo-Embodied 7B参数规模更大，部署成本更高，而HY-Embodied-0.5 2B版本在多数具身任务上领先，且更适配边缘部署场景，综合性价比更高；若需极致的规划能力，可考虑32B版本。
8. 结论：具身大模型的“落地派”选择
本段欲回答的核心问题——HY-Embodied-0.5的核心价值和落地前景如何？
HY-Embodied-0.5不是一款追求“参数竞赛”的大模型，而是一款面向真实世界具身智能场景的“落地派”产品。它的核心价值体现在：用2B参数的轻量化版本，实现了接近大参数模型的推理和感知能力，同时适配边缘部署和VLA机器人框架，让具身智能从实验室走向实际场景成为可能。
我认为这款模型的最大价值不在于“参数多强”，而在于“落地性”——它没有脱离实际场景做理论化的模型设计，而是从机器人边缘部署、VLA框架适配等实际需求出发，这也是大模型从“实验室”走向“真实世界”的关键一步。
未来，可重点关注vLLM推理支持的更新，以及在线Gradio Demo的发布。vLLM能解决高并发场景下的推理效率问题，而在线Demo则能降低使用门槛，让更多开发者和研究人员快速验证模型在自身场景中的效果。对于工业界而言，HY-Embodied-0.5 2B版本已能满足大部分边缘端具身任务的需求，是性价比极高的选择。
