跳转至

蚂蚁灵波 LingBot-VLA 2.0：60,000 小时开源通用 VLA 模型

Ch01.918 蚂蚁灵波 LingBot-VLA 2.0：60,000 小时开源通用 VLA 模型

📊 Level ⭐⭐ | 7.0KB | entities/lingbot-vla-2-60000h-open-source-vla.md

蚂蚁灵波 LingBot-VLA 2.0

蚂蚁灵波发布的开源通用 VLA（视觉-语言-动作）模型，60,000 小时真实物理数据训练，覆盖 20 种机器人构型，在 GM-100 基准上超越 GR00T N1.7 和 π0.5。

摘要

蚂蚁灵波在 2026 年 7 月发布 LingBot-VLA 2.0，这是一个面向复杂物理世界任务的通用 VLA 模型。相比 V1.0（20,000 小时数据，2026 年 1 月），V2.0 的数据规模增长 3 倍至 60,000 小时，覆盖 20 种机器人构型，并完全开源。在 GM-100 多任务 Generalist Benchmark 上，VLA 2.0 在多种平台和任务上超越 NVIDIA GR00T N1.7 和 Physical Intelligence π0.5。其技术升级核心包括动作空间从双臂扩展到全身、融合深度估计与未来预测能力、以及 RTX 4090 上 <130ms 的推理延迟。

核心要点

  • 数据规模：总计 60,000 小时真实物理数据（50,000 小时机器人轨迹 + 10,000 小时第一视角人类操作视频），覆盖 20 种机器人构型（Leju、Franka、AgileX、ARX Lift2、Galaxea R1Pro、Astribot S1、Unitree G1、Fourier GR-2、AgiBot A2 等）。
  • 动作空间扩展：从 V1.0 的双臂操作扩展到头部、腰部、移动底盘、灵巧手等更完整的动作空间，适应多种机器人形态。
  • 空间理解增强：融合 LingBot-Depth 2.0 深度模型，让机器人获得更强的三维空间理解能力。
  • 未来预测能力：引入未来深度预测和语义特征预测，让模型在理解当前状态的同时预测未来状态。采用 DINO-Video 视频表征模型做蒸馏监督。
  • 推理性能：在英伟达 RTX 4090 上推理延迟低于 130ms，满足实时操作需求。

深度分析

具身智能领域的「Scaling Law」验证

LingBot-VLA 2.0 的数据规模从 V1.0 的 20,000 小时增长到 60,000 小时（半年增长 3 倍），配合 GM-100 基准上的性能提升，为具身智能领域的 Scaling Law 提供了数据点：更多样化的训练数据（20 种构型、50K 小时机器人 + 10K 小时人类操作）直接带来更强的泛化能力。这与 NLP 领域的预训练 scaling 逻辑一致，但在具身领域面临独特的挑战——数据采集成本远高于文本。

开源的战略意义

蚂蚁灵波选择完全开源 VLA 2.0，这在具身智能领域具有战略意义。与 NVIDIA GR00T（部分开放）和 Physical Intelligence π0.5（闭源）形成对比。开源可以吸引社区贡献更多机器人构型的适配，加速「通用大脑」的收敛——正如文章所说，「机器人的身体继续百花齐放，但通用大脑的趋势会愈加收敛」。开源策略可能成为具身智能领域标准制定的关键杠杆。

深度估计与未来预测的融合

VLA 2.0 的一个关键架构创新是将深度估计（LingBot-Depth 2.0）与未来预测（未来深度 + 语义特征）融合进 VLA 模型。传统 VLA 模型主要关注「看到什么 → 做什么」的直接映射，而加入对未来状态的预测能力后，模型可以进行「视觉推理」——在行动前预测操作结果。这相当于在控制环路中加入了「仿真器」，可能显著提升复杂操作任务的成功率。

GM-100 基准的竞争格局

在 GM-100 Generalist Benchmark 上，VLA 2.0 在大多数任务上超越 GR00T N1.7 和 π0.5。值得注意的是 OOD（分布外）场景的表现——冰箱收纳任务的 OOD 得分 37.0/13.3 虽然领先对手，但相比 ID 得分 77.1/60.0 仍有大幅下降，说明分布外泛化仍是具身智能面临的核心挑战。这个差距也暗示了数据多样性（而非单纯的数据量）对于 OOD 泛化的重要性。

从 VLA 到通用机器人基座

VLA 2.0 的定位是「具身智能领域的通用操作基座」。这一目标要求模型在不同机器人形态（双臂、轮式、人形）上都能工作，而 20 种构型的覆盖使这成为可能。但值得关注的是：VLA 模型目前的成功主要集中在「操作」任务（抓取、放置、装配），在移动导航和全身协调等更复杂的任务上还有待验证。参考 GS-Playground 具身仿真 等仿真平台的发展，仿真训练与真实物理数据的结合可能是下一步的关键方向。

实践启示

  1. 数据多样性比数据量更重要：60,000 小时覆盖 20 种构型比单纯增加单一构型的数据更有价值。具身智能领域应优先投资于多样化的数据采集，而非追求单任务的完美。
  2. 未来预测是 VLA 架构的下一个演进方向：加入深度预测和语义特征预测让模型从「反应式控制」升级为「预测式控制」，这可能是具身智能突破复杂操作瓶颈的关键架构创新。
  3. 开源策略是生态锁定的有效手段：如果目标是成为「通用操作基座」，完全开源比部分开放更能吸引社区贡献，加速标准收敛。
  4. 仿真 + 真实数据联合训练是降低成本的关键：借助 GS-Playground 等仿真平台生成大规模训练数据，可以大幅降低真实物理数据采集成本。
  5. 推理速度是部署的硬约束：RTX 4090 上 <130ms 的延迟让 VLA 模型可以进入实时控制场景。在具身智能领域，模型精度和推理速度必须联合优化。

相关实体

→ 原文存档