Em uma frase: na WAIC 2026, a Tencent lançou a série Hy-Embodied, com três modelos fundacionais incorporados que conectam sistematicamente o ciclo percepção-cognição-ação pela primeira vez — e o modelo VLA já passou por testes reais em uma fábrica de produtos de higiene e limpeza: taxa de sucesso acima de 95%, 6 segundos por item e adaptação a novos SKUs em menos de 3 dias.
O problema do “cérebro na cuba” da IA incorporada
Os maiores modelos de IA de hoje são, na essência, cérebros na cuba — excelentes em raciocínio, geração e perguntas e respostas, mas ignoram onde os objetos estão, como os espaços se relacionam, o que um objeto permite fazer, e não conseguem se ajustar enquanto atuam em um ambiente em constante mudança.
Zhang Zhengyou, cientista-chefe da Tencent, foi preciso no palco da WAIC: “A linguagem não é a totalidade da cognição — é apenas um dos canais pelos quais a inteligência se expressa externamente.” Inteligência real exige ligar linguagem, visão, cognição espacial, controle corporal e feedback do ambiente em um único circuito, validado dentro de um ciclo percepção-corpo-ação. É essa a questão que os cinco novos resultados da Tencent buscam responder.
Três modelos, três papéis
Os três modelos fundacionais incorporados do laboratório Robotics X da Tencent, junto com a Hunyuan, mapeiam três camadas da capacidade incorporada:
Hy-Embodied-VLM-1.0 — o “cérebro direito”, para ver. Ele resolve três problemas progressivamente mais profundos: ver um objeto e saber sua utilidade (profundidade, orientação, pontos de affordance); ver uma cena e saber o que muda (julgar a próxima ação e suas variações); e ver longe e encontrar o caminho de volta (lembrar o histórico em tarefas de longo prazo e replanificar após falhas). O dado-chave: com escala de apenas A3B — cerca de um décimo da computação — ele se aproxima do desempenho do antigo carro-chefe A32B, o que significa que pode ser implantado diretamente no hardware do próprio robô.
Hy-Embodied-RxBrain-1.0 — o “cérebro”, para pensar. Ele unifica raciocínio com imaginação: diante de uma tarefa, produz restrições linguísticas de etapas enquanto gera uma imagem-alvo de como cada etapa concluída deve parecer. O modelo de ação downstream não apenas “ouve o que fazer” — ele “vê como o concluído deve ser”. Um novo paradigma cognitivo: ancorar a cadeia de raciocínio na imaginação visual.
Hy-Embodied-VLA-0.5 — o “cerebelo”, para fazer. Sua vantagem competitiva não é um modelo maior, mas uma pilha de aprendizado completa na qual dados, modelo, treinamento e implantação se reforçam mutuamente: captura de dados UMI submilimétrica → mais de 10.000 horas de dados de demonstração humana → treinamento com aprendizado por reforço. Conquistou o primeiro lugar na simulação geral da avaliação RoboDojo, liderando especificamente em tarefas de longo prazo e de memória.
De montar módulos a construir um ciclo
A abordagem dominante em IA incorporada tem sido a montagem de módulos — pegue um modelo de visão, um modelo de linguagem, um modelo de controle e costure-os. O problema: cada módulo se otimiza por si só, e as emendas entre eles vazam. A abordagem da Tencent é o design nativo em circuito fechado — três modelos projetados desde o primeiro dia para trabalhar juntos, coordenados por duas camadas de agentes: Apexio, um agente continuamente online, e TairosAgent, um framework nativo. A arquitetura de três níveis do Apexio merece atenção especial:
-
Camada de cognição: aciona sob demanda para o pensamento profundo;
-
Camada percepção-ação: ingere entradas multimodais e se ajusta a cerca de 15 Hz;
-
Camada de execução: opera em frequência ainda maior, lidando com colisões e desequilíbrios como reflexos.
Some-se a isso as duas linhas condutoras de “orientado a objetivos” (completar a tarefa) e “orientado à sobrevivência” (segurança, energia, gerenciamento de estado), e o robô continua percebendo e se preservando mesmo sem comandos externos.
O que 95% em uma fábrica real significa
Os números mais importantes vêm do chão de fábrica. Em testes ao vivo em uma planta de produtos de higiene e limpeza, o HyVLA-0.5 entregou resultados que, dois anos atrás, teriam sido descartados como slide de apresentação — e cada número ataca uma razão distinta pela qual pilotos de fábrica fracassam:
-
Taxa de sucesso de tarefas acima de 95%;
-
Tempo de ciclo abaixo de 6 segundos por item;
-
Coleta de dados para novos SKUs e pós-treinamento do modelo em menos de 3 dias.
Juntos, esses três números dizem algo específico: a IA incorporada deixou de ser uma demo de laboratório e pode lidar com linhas de produção reais caracterizadas por alta variedade, lotes pequenos e alta rotatividade de SKUs. Os 95% respondem à objeção da confiabilidade, o ciclo de 6 segundos responde à objeção da economia, e a adaptação de SKU em 3 dias responde à objeção da rigidez — historicamente, exatamente o lugar onde pilotos de robótica iam morrer. Uma linha que se reconfigura em três dias acompanha o ritmo de iteração da indústria de bens de consumo, o que significa que o robô deixa de ser um ativo fixo e começa a se comportar como capacidade flexível.
O momento Android da IA incorporada?
O design do TairosAgent implica uma ambição maior: por meio de uma camada unificada de adaptação de hardware e interfaces de Skill padronizadas, ele visa conectar diferentes modelos a diferentes formas de robôs. A lógica espelha o Android inicial, cujas interfaces padronizadas permitiram que fornecedores de hardware heterogêneos se conectassem. A Tencent nomeou a plataforma de “Tairos” — o parafuso de titânio — posicionando-a como “o parafuso de titânio que conecta modelos, corpos, ferramentas e aplicações”. Se essa posição se sustentar, a IA incorporada pode estar se aproximando de seu momento Android: não um único robô vencendo, mas uma plataforma sobre a qual todos os robôs rodam.
O que fazer com isso
Desenvolvedores de robôs: o Hy-Embodied-VLM-1.0 é open source e roda no dispositivo em escala A3B — avalie agora se ele se adapta ao formato do seu robô.
Decisores de manufatura: 95% de sucesso mais adaptação de SKU em 3 dias significa que a IA incorporada atravessou o limiar de “funciona?” para “vale o investimento?”. Cenários de alta variedade e baixo lote — higiene e limpeza, bens de consumo — são o ponto de entrada natural.
Profissionais de IA: estudem a metodologia de codesign entre dados, modelo, treinamento e implantação. A competição em IA incorporada não se trata de um único modelo — trata-se da eficiência em circuito fechado de toda a pilha de aprendizado, e o hardware de captura submilimétrico da Tencent alimentando 10.000 horas de dados de demonstração, que alimentam o aprendizado por reforço e a implantação no dispositivo, é atualmente o exemplo público mais completo dessa pilha funcionando de ponta a ponta.
