Tencent Hunyuan опубликовал технический отчет Hy-Nomas и выпустил бенчмарк Hy-Nomas-Bench для мировых моделей

Amap, подразделение Alibaba Group, занимающееся картографированием и геолокацией, представило Lambda-0. Эта модель позиционируется как первая фундаментальная модель для гуманоидных роботов, созданная на основе открытого поведения людей. Исследование было проведено совместно с бизнес-группой ATH от Alibaba, а код доступен на GitHub под лицензией Apache 2.0 вместе с научной статьей на arXiv.

Основная идея заключается в том, что гуманоид способен изучить ходьбу, позу и манипуляции двумя руками одновременно, даже если во время сбора данных робот отсутствует. Команда утверждает, что многие модели, основанные на видении, языке и действиях от первого лица, фокусируются лишь на руках и конечностях, игнорируя информацию о корпусе, туловище и позе тела, которая необходима для выполнения длительных задач в открытой среде. Использование телеуправления реальными роботами для восполнения этого пробела является дорогостоящим и медленным для масштабирования.

Вместо этого Lambda-0 использует метод сбора данных по всему телу без участия робота, который Amap называет 'robot-free whole-body data collection'. Специалисты надевают потребительские устройства и записывают движения в обычных местах. Для демонстрационной задачи сбор одного отрезка занял около 29 секунд, что значительно эффективнее по сравнению с примерно 100 секундами, требуемыми при использовании физического робота, демонстрируя эффективность в 3,4 раза. Благодаря этому процессу команда создала набор данных HumanVerse-500, содержащий 500 часов данных о поведении человека в открытой среде, синхронизированных по зрению, движению тела и действиям рук.

Процесс обучения проходит в три этапа: взаимодействие с руками, координация всего тела и, наконец, воплощение в гуманоидном теле. Чтобы учесть различия между человеческим и роботизированным телами, а также ошибки конечных эффекторов, модель применяет схему согласования по точке обзора и метод согласования действий от грубого к тонкому, сохраняя при этом координацию всего тела и повышая точность контакта.

Согласно представленной статье, Lambda-0 продемонстрировала результаты на уровне передовых достижений в симуляционной среде SIMPLE, где она показала около 90 процентов успеха, а также в тестах на реальных роботах. В семи задачах по мобильной манипуляции с длинным горизонтом и по всему телу модель успешно перенесла обучение в Unitree G1, используя только человеческие данные. Команда сообщает о частоте успеха на реальном роботе в 62,5 процента, что на 22,5 процентных пункта выше, чем у сильнейшего базового уровня. При неизменном количестве демонстраций роботов, увеличение объема данных о поведении человека в целом продолжало улучшать производительность на реальном роботе, что команда представляет как доказательство возможности масштабирования обучения гуманоидов на основе человеческих данных. Эти цифры взяты из статьи команды и еще не были независимо воспроизведены. Для Amap выпуск этой модели дополняет их недавнюю работу над миром-моделью 3D городов.

Tencent Hunyuan представила вторую версию своего фреймворка памяти для ИИ-агентов, Hy Memory 2.0, и сделала все три уровня стека открытыми. Эти уровни включают специализированную модель памяти, сам фреймворк и локальное приложение для памяти под названием MemHub. Пользователи могут применять эти компоненты как по отдельности, так и в комбинации.

Компания Tencent сообщает, что Hy Memory уже используется внутренними командами в таких сферах, как финансы, новостные агентства, управление знаниями, офисные агенты, социальные развлечения и игры.

Фреймворк отвечает за хранение, обновление и развитие трех типов памяти: чатовой, рабочей и кодовой. Разработчики интегрируют его в свои агенты через SDK, который доступен на PyPI под именем hy-memory 2.0.2. Новые функции версии 2.0 — рабочая и кодовая память. Они фиксируют цель задачи, принятые решения, промежуточные результаты и полезные уроки, а также условия, применимые к этим урокам. Перед возобновлением длительной задачи система сначала определяет текущую задачу, затем извлекает соответствующие решения, действующий опыт и предыдущую историю работы.

Память чата теперь группирует разрозненные факты в события, указывая время, место и участников, объединяет дубликаты и разрешает противоречия перед передачей контекста модели.

Результаты тестирования фреймворка

Tencent заявила о занятии первого места среди фреймворков с открытым исходным кодом, включая Mem0, MemOS и EverOS, в четырех различных тестах. Согласно данным компании, рабочая память показала средний результат в 55.31% в задачах планирования поездок и покупок на платформе MemoryArena. Кодовая память достигла 64.2% точности ответов на вопросы и 35.6% разрешения задач на CodeMemoryBench, а также 28.3% разрешения задач на SWE-ContextBench. Память чата продемонстрировала 72.6% точности на LoCoMo, одновременно снизив количество токенов на вопрос с 1159 до 703, что составляет уменьшение на 39.3%.

Модель слоя, названная Hy-Memory-30B-A3B, представляет собой модель типа «смесь экспертов» с приблизительно 3 миллиардами активных параметров, обученную для извлечения памяти и обработки конфликтов. В техническом отчете оценивается эта модель на фиксированной выборке в 20% бенчмарков по всем четырем системам памяти. На этой выборке она показала макросреднее значение 55.49, что немного превышает показатели Claude Opus 5 (54.62) и DeepSeek V4.1 Flash (53.64). Веса модели доступны на Hugging Face.

Приложение MemHub является локально ориентированным инструментом, который включает командную строку и клиент для Mac. После авторизации подключенных инструментов пользователь импортирует прошлые сессии в единое локальное хранилище памяти и поддерживает синхронизацию новых данных. Tencent отмечает, что в настоящее время MemHub интегрируется с 10 ИИ-инструментами, среди которых WorkBuddy, Cursor, Codex, Qwen Code, OpenCode и DeepSeek Harness.

В файле лицензии репозитория на GitHub указано, что Hy-Memory выпущен под лицензией Apache 2.0.