蚂蚁灵波发布LingBot-VA 2.0：业界首个具身原生世界动作模型，机器人“大脑”从物理世界原生设计

事件概述

7月10日，蚂蚁灵波发布LingBot-VA 2.0，业界首个具身原生世界动作模型。该模型直接从动态建模、因果预测、实时执行等与环境交互的原始需求出发进行原生设计，而非依赖数字世界模型能力的“嫁接”。在真机测试中，机器人可不依赖外部拍摄设备完成与人类的多轮随机对打，体现了出色的执行速度和泛化能力。

核心信息

• 技术路线差异：行业主流路线通常依托面向数字内容创作的视频生成模型，再微调适配机器人控制。但内容创作（重画质和创意）与机器人控制（重执行效率和预测合理性）目标不同，强行微调会导致知识遗忘和泛化性下降。LingBot-VA 2.0 选择从头预训练，基于自回归架构。

• 四大核心设计：

  1. 语义视觉-动作分词器（Tokenizer）：作为视觉编码器，在视觉压缩中加入语义与动作信息对齐，使模型更易将“理解指令”转化为“完成动作”。
  2. 严格因果预训练：从训练开始使用自回归架构，确保视觉预测和动作生成完全遵循单向时间顺序。
  3. MoE架构：在保持推理效率的同时扩大模型容量，平衡性能与效率。
  4. 增强异步推理机制：实现实时闭环控制，机器人执行动作的同时预测未来状态，并利用最新观测校正下一步决策。

• 性能指标：单卡实时推理效率达150Hz，解决了具身世界模型执行效率低的行业难题。

值得关注

本周蚂蚁灵波还连续发布/开源了多款模型：面向空间感知的LingBot-Vision和LingBot-Depth 2.0、面向“一脑多机”的LingBot-VLA 2.0、面向实时交互的LingBot-World 2.0和面向推理效率的LingBot-Video。LingBot-VA 2.0 作为集大成者，标志着具身原生新阶段的开启。CEO朱兴表示将持续探索具身智能新上限，并加速构建开放的技术与场景生态。该模型将于7月17-20日在2026世界人工智能大会（WAIC）上海世博展览馆（H3-B302、H1-C701）展出。