编辑｜杜伟

时隔5个月，种机蚂蚁灵波正式发布新一代具身智能基座模型 LingBot-VLA 2.0。器人此次开源旨在将跨本体 VLA（视觉-语言-动作）从实验室 Demo 推向可复现、本体可高效后训练、通吃可部署的蚂蚁工程化阶段。

2026 年初，新代VLA 技术路线成为具身智能的脑刚核心焦点。英伟达推出 GR00T N1.6/N1.7，刚开Physical Intelligence 发布 π0.7，种机国内亦涌现出以 LingBot-VLA 为代表的器人基座模型。行业共识已达成：机器人进入开放环境，本体必须将视觉理解、通吃语言指令与动作生成融合于同一模型框架。蚂蚁然而，新代从实验室到真实场景，脑刚面对环境变化、任务延长及本体差异，现有 VLA 仍面临数据、适配与工程系统的多重阻碍。

LingBot-VLA 2.0 直击「一脑多机」核心痛点，支持 17 家厂商的 20 种机器人构型，动作范围覆盖机械臂、头部、腰部、末端执行器及移动底盘全身自由度。

核心突破：数据、建模与感知的三位一体

实现跨构型泛化的关键在于底层技术的深度优化：

1. 高质量数据基座：基于 6 万小时预训练高质量数据。
2. 未来预测能力：引入时序预判机制，把握任务状态的持续演化。
3. 深度空间感知：默认融合自研 LingBot-Depth模型，增强对距离、空间关系及场景结构的判断。

这一组合显著提升了多构型适配、连续任务执行及真实场景操作的能力。

性能验证：基准测试全面领先

全方位的能力升级使 LingBot-VLA 2.0 在多项基准测试中表现优异：

• 操作任务：在上海交通大学 GM-100 评测中，模型在 AgileX Cobot Magic 和 Galaxea R1 Pro 双臂平台上的平均任务进度分和成功率，均领先于竞品 GR00T N1.7 和 π0.5。
• 移动操作：基于「方舟机械臂 + 松灵底盘」及星尘智能 S1 绳驱轮式人形机器人的测试显示，其在长程移动操作任务中同样领先 π0.5，并在跨域场景中保持优势。

开源生态

蚂蚁灵波延续开源策略，一次性开放模型权重、训练代码及技术报告。

• 技术报告：From Foundation to Application: Improving VLA Models in Practice
• 项目页面：https://technology.robbyant.com/lingbot-vla-v2
• 代码库：https://github.com/robbyant/lingbot-vla-v2
• Hugging Face：https://huggingface.co/collections/robbyant/lingbot-vla-v2
• ModelScope：https://modelscope.cn/collections/Robbyant/LingBot-VLA-V2

技术解析：如何实现「一脑多机」？

将同一 VLA 模型适配不同本体，需解决关节结构、自由度、动作空间及控制接口的异构性问题。LingBot-VLA 2.0 通过以下四大维度补齐能力短板：

1. 强大的多本体泛化

预训练阶段覆盖 17 个主流品牌（包括乐聚、宇树、智元、松灵、星海图、银河通用、星尘、睿尔曼、方舟、北京人形、傅立叶、魔法原子、千寻、零次方、非夕、青龙及 Franka），支持 20 种构型（单臂、双臂、轮式、双足等），大幅降低重复适配成本。

2. 全身自由度协同

全面支持头部、腰部、末端执行器和移动底盘。头部决定视野，底盘决定路径，腰部影响姿态，末端执行器完成交互。多自由度协同是处理开放场景复杂任务的前提。

3. 未来预测（Future Prediction）

引入时序预判能力，使模型不仅能理解当前状态，还能预测后续演化。以整理冰箱为例，模型能预判开门、抓取、放置等连续环节的后果，减少任务中途偏移。

4. 深度空间感知

天然集成 LingBot-Depth，提供几何监督。相比仅依赖图像，深度信息有助于理解物体间空间关系与距离，降低抓取偏差与碰撞风险。

架构升级：MoE 与双查询蒸馏

LingBot-VLA 2.0 在架构层面主要进行两项革新：

1. Loss-free MoE 处理本体差异

• 统一动作表示：建立跨本体共性动作模式基础。
• Token-level Loss-free MoE：用 MoE FFN 替代原有前馈网络。
• 解耦负载均衡：避免辅助损失干扰主动作学习目标，确保训练目标纯净。
• Sigmoid 路由：每个 Token 可激活多个专家。轻量共享专家保留通用先验，路由专家负责细分建模。实现通用能力与本体差异的并行建模。

2. 双查询蒸馏补强时空预判

在视觉和文本 Token 中加入两个可学习 Query，分别对应当前观测与未来观测，并从以下教师模型学习：
* LingBot-Depth：提供深度、距离等几何监督。
* DINO-Video：基于 Meta DINOv3 构建，引入 Block-wise 因果时序注意力和 3D-RoPE，在 500 万视频片段上训练，提供带因果时序的视频表征，帮助模型理解状态演化。

数据工程：异构数据标准化

数据是具身智能的基础。LingBot-VLA 2.0 构建了系统化的数据管线：

1. 数据规模与来源

• 总量：6 万小时预训练数据。
• 构成：9 万小时真机数据清洗出 5 万小时 + 2 万小时第一视角人类数据提炼出 1 万小时。

2. 严格清洗流程

• 轨迹可靠性：计算动作/状态信号的 Jerk（三阶差分）及速度/加速度 Z-score，过滤突变与异常。剔除状态/动作变化微小超过 95% 的片段。
• 信号对齐：基于 URDF 投影回图像平面，人工检查投影与视频一致性，过滤模糊、遮挡、掉帧及多视角不对齐数据。
• 第一视角数据筛选：通过视频级 VLM 预筛，去除无手物交互或无可操作物体数据；利用 Egocentric SLAM 和手部姿态估计恢复轨迹，过滤不稳定或违反生理约束样本。

3. 统一表示与语言标注

• 55 维统一状态/动作表示：覆盖机械臂、末端、夹爪、手部、腰部、头部及移动信号。缺失维度通过 Padding 补齐。
• 自动标注管线：使用 Qwen3.6-27B 将视频切分为子任务，生成原子动作、交互物体及简洁指令。多摄像头平台结合俯视与腕部视角，减少单视角歧义。

高效后训练：降低部署门槛

针对产业落地中的延迟与适配成本问题，LingBot-VLA 2.0 同步开源高效后训练版本：

• 推理速度：在 RTX 4090上推理耗时控制在 130ms 以内。
• 工程价值：大幅压缩新任务、新场景、新本体的接入、训练与迭代周期，推动 VLA 从 Demo 走向工程现实。

结语

LingBot-VLA 2.0 的发布标志着跨本体 VLA 的发展进入深水区。通用具身大脑的能力不再仅依赖模型规模的自然涌现，而是需要 数据工程、统一表示、稀疏架构（MoE）、时空监督（双查询蒸馏）及高效后训练的系统性支撑。未来，跨本体 VLA 的演进将取决于这些底层环节能否真正支撑机器人在复杂现实场景中的稳定运行。