蚂蚁灵波开源LingBot-VLA 2.0：60000小时真实数据训练，覆盖20余种机器人构型
2026/07/08 11:54阅读量 5
蚂蚁灵波发布开源VLA模型LingBot-VLA 2.0，基于60000小时真实物理数据训练（5万小时机器人轨迹+1万小时人类操作视频），支持20余种机器人构型，动作空间扩展至头、腰、底盘、灵巧手等，融合深度预测与语义预测实现未来状态预判。在GM-100基准测试中多项任务超越GR00T N1.7和π0.5，推理延迟在RTX 4090上低于130ms。
事件概述
蚂蚁灵波发布LingBot-VLA 2.0，一个面向复杂物理世界任务的通用视觉-语言-动作（VLA）开源模型。相比1.0版本（20000小时数据），该模型预训练数据规模提升至60000小时，其中50000小时来自20种机器人构型的轨迹数据，10000小时来自第一视角人类操作视频。
核心能力升级
- 统一动作空间：从双臂扩展到头部、腰部、移动底盘、灵巧手等更完整的自由度，使模型能在不同机器人构型间迁移。
- 深度融合深度信息：默认集成LingBot-Depth深度模型，增强机器人对自身与空间关系的理解。
- 未来预测：引入未来深度预测和语义特征预测，让模型在生成动作时同时理解当前状态并预判物体位置、空间关系和任务状态的变化。
- 低延迟推理：在英伟达RTX 4090上推理延迟低于130ms。
实测表现
在GM-100多任务Generalist Benchmark中，LingBot-VLA 2.0在AgileX Cobot Magic平台和Galaxea R1 Pro平台上的整体平均成绩均高于GR00T N1.7、π0.5和LingBot-VLA 1.0。例如在AgileX平台上，模型平均成绩为66.2/34.4（进度分/成功率）。
在长程移动操作任务（冰箱收纳、清理灶台）中，模型在ID（标准）和OOD（泛化）设置下均优于π0.5。例如冰箱收纳任务中，LingBot-VLA 2.0在ID设置下为77.1/60.0，OOD设置下为37.0/13.3；π0.5对应为65.3/46.7和30.3/6.7。
值得关注
- 数据规模的大幅提升（从20000到60000小时）进一步验证了“真实世界数据越多，VLA模型能力越强”的趋势。
- 通过统一动作空间和引入未来预测，LingBot-VLA 2.0尝试构建一个可跨本体、跨场景复用的通用具身操作基座，为降低机器人规模化部署成本提供了思路。
- 项目已开源，包括技术报告、代码、模型权重等，访问地址：
- 技术报告：https://github.com/robbyant/lingbot-vla-v2/blob/main/assets/LingBot_VLA_2_0.pdf
- 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