腾讯开源三大具身基座模型，首席科学家张正友详解"三层脑"如何破解机器人反应慢

WAIC 2026期间，腾讯正式开源三款具身基座模型——Hy-Embodied-VLM-1.0、Hy-Embodied-RxBrain-1.0和Hy-Embodied-VLA-0.5，并同步推出持续在线的具身智能体Apexio与原生智能体框架TairosAgent。腾讯首席科学家、Robotics X实验室主任张正友携团队在上海接受包括InfoQ在内的媒体采访，回顾了具身智能开放平台Tairos发布一年来的实质进展。

这套组合要解决的是一个常被大模型叙事掩盖的事实：机器人面对的世界，并不是按照同一种速度运行的。张正友解释，当前VLA（视觉-语言-动作）路线常见的痛点是视觉理解与动作生成在同一运行频率下执行，认知、感知和执行被迫共用同一条计算链路。而真实物理世界中，触觉反馈只有约1毫秒，底层运动控制以500Hz至1000Hz运行：让大模型按底层控制的高频率运行，算力难以承受；让底层动作等待大模型，延迟又会变成安全风险。

腾讯的做法是"分层运行、闭环训练"：最上层认知系统按需唤醒，负责复杂任务理解与深度推理；中间层感知行动系统以约15Hz持续接收多模态信息并快速调整动作；最下层执行系统以更高频率运行，像条件反射一样处理碰撞、失衡等突发情况。张正友判断这套架构可能在相当长时间内保持稳定，他向InfoQ表示："分层我认为是比较合理的一个架构，这个架构在很长的时间里面不太会变。"

这一思路源于一次失败实验。OpenClaw龙虾框架火起来后，腾讯Robotics X实验室曾把机器人能力封装成Skill交给这类通用智能体框架调度，结果"整个效果非常之差"，甚至明显不如去年给宇树做的导览系统——在张正友看来，"OpenClaw操控的身体相当于浏览器，不是机器人"，浏览器可以等，机器人却不能。随后团队为机器人的任务调度和模型协同专门设计了原生的TairosAgent，把响应时间压到2-3秒。

三个模型各有分工：Hy-Embodied-VLM-1.0负责空间与场景理解；Hy-Embodied-RxBrain-1.0统一认知、规划与对未来状态的想象，不仅用语言生成任务步骤与约束，还会预测每个子任务完成后物理世界应该呈现的状态；Hy-Embodied-VLA-0.5则把高层目标转化为连续、可纠错的动作，基于超1万小时人类示教数据训练，在RoboDojo评测中综合第一。

落地数据已经出现。腾讯披露，Hy-Embodied-VLA已进入一家日化品工厂开展生产测试，在高混合、小批量、SKU频繁迭代的产线上，作业成功率超过95%、单件节拍快于6秒，新增SKU留给数据采集与模型后训练的时间不到3天。张正友强调，Demo做到80分、90分，真正没有落地，几乎就等于零——实验室抓取一次物体，与生产线上连续完成数万次任务，是完全不同的考验。

在场景选择上，腾讯用"最难的"养老场景倒逼技术：展示的"小六"机器人通过双臂完成按摩动作，团队用自研的视觉、力觉与触觉采集系统记录专业手法，再以强化学习复现，目前只学习了四种双臂协同手法，下一步是进入养老院等真实环境继续迭代。张正友表示腾讯并不准备销售养老机器人本体，因为与人发生物理接触几乎集中了具身智能最困难的问题，而"进入家庭这样的非结构性环境，安全性是100%一定要保障的"。

算力需求也在快速上升：腾讯云异构计算研发总监陈煜东透露，过去部分客户用数百张卡完成模型训练，如今具身智能客户开始提出千卡、万卡规模需求，相关需求增长约200%至300%，部分模型两三天就迭代一个版本。接下来值得关注的是，腾讯能否把"分层运行、闭环训练"的架构复制到更多本体与场景，以及跨本体适配能力能否得到验证。