Hy-Embodied-0.5-VLA: 視覚言語行動モデルから実世界ロボット学習スタックへ

Hy-Embodied-0.5-VLA: From Vision-Language-Action Models to a Real-World Robot Learning Stack

June 12, 2026

著者: He Zhang, Lingzhu Xiang, Haitao Lin, Zeyu Huang, Minghui Wang, Dingyan Zhong, Yubo Dong, Yihao Wu, Yongming Rao, Dongsheng Zhang, Wanjia He, Ling Chen, Kai Huang, Jiahao Chen, Sichang Su, Xumin Yu, Ziyi Wang, Chengwei Zhu, Xiao Teng, Yuchun Guo, Yufeng Zhang, Yuandong Liu, Rui Wang, Zisheng Lu, Han Hu, Zhengyou Zhang

cs.AI

要旨

本報告では、ロボット学習スタック全体をカバーするエンドツーエンドシステムであるHy-Embodied-0.5-VLA（略称HyVLA-0.5）を提示する。このシステムは、データ収集、モデル設計、継続事前学習と教師ありファインチューニング、強化学習によるポストトレーニング、そして実環境への展開を含む。各コンポーネントは、このスタック内で明確な役割を果たす。

English

In this report, we present Hy-Embodied-0.5-VLA, abbreviated as HyVLA-0.5, an end-to-end system that spans the full robot learning stack: data collection, model design, continued pre-training and supervised fine-tuning, RL post-training, and real-world deployment. Each component serves a distinct role in this stack.