HY-Embodied-0.5: 実世界エージェントのための具現化基盤モデル

- 実世界の embodied agent 向けに設計された foundation model 群 HY-Embodied-0.5 - 2B activated parameters の効率モデル(edge deployment 向け)と 32B activated parameters の強力モデルの2 variant - 空間・時間的 visual perception と prediction/interaction/planning の embodied reasoning を強化 - 22 benchmarks で評価し、MoT-2B は同規模 SOTA を16 benchmarks で上回る - 32B は Gemini 3.0 Pro 等 frontier model に匹敵 - 下流の robot control で VLA model を訓練し実世界評価を実施 - code と model は GitHub で open-source 化

- 汎用 VLM と embodied agent の要求のギャップを埋める点が特徴 - 既存の同規模 SOTA model に対し MoT-2B が16 benchmarks で優位 - 32B variant は Gemini 3.0 Pro など frontier model と comparable な性能 - 単なる VLM ではなく embodied 向けに spatial/temporal visual perception と reasoning を強化 - 大規模 model の能力を小規模 model へ転移する on-policy distillation を採用 - 22 benchmarks という広範な評価で有効性を示す

- Mixture-of-Transformers (MoT) architecture を採用し modality-specific computing を実現 - latent tokens を導入し perceptual representation を強化 - iterative, self-evolving post-training paradigm で reasoning 能力を改善 - on-policy distillation により大 model の高度能力を小 model へ転移 - 2B と 32B の activated parameters を持つ2 variant を提供 - 下流で VLA model を訓練し robot control に接続

- 22 benchmarks で visual perception, spatial reasoning, embodied understanding を評価 - MoT-2B が同規模 SOTA を16 benchmarks で上回ることを確認 - 32B variant が Gemini 3.0 Pro 等 frontier model と comparable な性能を達成 - 下流 robot control 実験で VLA model を訓練し実世界 physical evaluation を実施 - 有効性を広範な benchmark と実機評価の両面から検証

- 要旨からは不明(限界や失敗事例、計算コスト、安全性等の議論は明記されていない) - 22 benchmarks と実世界評価の結果が中心で、詳細な ablation や議論は要旨では触れられない - 2B/32B の性能差や distillation の限界についての議論は要旨からは不明

- Gemini 3.0 Pro(比較対象の frontier model) - Vision-Language-Action (VLA) model 関連研究 - Mixture-of-Transformers (MoT) 関連研究 - on-policy distillation 関連研究 - 同分野の定番として Vision-Language Models (VLMs) の embodied 応用研究