新智元报道

【新智元导读】当机器人后空翻刷屏时，代表小脑已经在快速进展。但你是否意识到，让机器人真正干活卡脖子的从来不是小脑，而是大脑？蚂蚁灵波刚刚开源的LingBot-VLA2.0，用同一套模型「驯服」了20种的机器人构型。行业终于有人开始认真算重复适配成本这笔账了。

去年，机器人圈最热闹的画面，都是关于「身体」的。

机器人能后空翻了，机器人能跑完一场半程马拉松了……

每一条视频都在告诉你：看，它的胳膊多灵活，它的腿多稳，它摔倒了还能自己爬起来。

热闹，好看，掌声雷动。

然而，这只是精心编排的「楚门的世界」。

从控制理论来看，这多是特定封闭环境下的局部优化成果，而非真正的认知推理与模型驱动的长期规划。

但是，不同的构型本身也是一种泛化挑战。每一个机器人品牌、每一种硬件构型，都像是一座孤立的语言孤岛。我们造出了无数具精美的「躯壳」，却在如何让它们开口说话、动手干活的「巴别塔」前束手无策。

Demo越惊艳，藏在后面的账单就越吓人；下一个客户换一副本体，一切就得从头再来。

正是在这种「身体过热、大脑缺位」的产业夹缝中，蚂蚁集团旗下具身智能企业蚂蚁灵波（Robbyant）选择了一条截然不同的道路：

他们不跟风去卷硬件、卷参数、谁的身体更能打，而是直击行业最痛的死穴——在卷谁的大脑更通用、更实用、更能落地。

从诞生之初，LingBot-VLA系列大模型就将自己定位为具身智能领域的「行业通用大脑」，旨在用同一颗「通用脑」去解决「一脑多机」的泛化难题。

半年前，蚂蚁灵波用2万小时高质量真机数据，（其中涵盖9种机器人构型），开源了LingBot-VLA 1.0。

刚刚，蚂蚁灵波科技开源了具身操作基座模型LingBot-VLA 2.0，直指行业难题。

技术报告：From Foundation to Application: Improving VLA Models in Practice

报告地址：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

相较于1.0时代，LingBot-VLA 2.0在通用泛化能力上迎来了全面升级。

跨平台统治力

从「适配一款」到「通吃20种」

要跨越具身智能规模化落地的临界点，模型不能只在某一台机器人、某一个任务上跑通，真正的考题是，换本体、换场景、换任务后，能力还能不能稳定迁移。

2026年初，蚂蚁灵波正式发布并开源了具身操作基座模型LingBot-VLA 1.0。

当时，整个行业对VLA模型在真实世界部署的效率和成本深感疑虑——如何用有限的数据和算力，让模型在真实的双臂平台上跑起来？

1.0版本用极其务实（Pragmatic）的设计，给出了第一代解法。

LingBot-VLA 1.0率先放弃了单纯依赖仿真合成数据的幻想，坚持走大规模物理数据Scale Up的路线。它在预训练阶段汇聚了2万小时的高质量双臂机器人操作轨迹真机数据。这些数据并非单一构型，而是跨越了9种当时主流的双臂机器人构型。

在算力上，1.0团队构建了一套极其高效的底层训练体系。在8卡GPU的FSDP/混合并行训练设置下，其单卡预训练吞吐率达到了惊人的261 samples/秒。相比当时主流的VLA训练代码库，实现了1.5倍至2.8倍的计算加速。

这种高吞吐、轻量化的架构设计，让后训练（Post-Training）成本大幅下降。用户不需要动用太多卡进行漫长的全局重训，仅需通过少量的下游任务微调，即可将双臂操作能力迁移至新的任务场景。

而到了2.0时代，预训练阶段覆盖了20种以上的机器人构型，横跨国内外17个主流品牌，包括：

乐聚（Leju KUAVO 4 Pro）、宇树、星尘（Astribot S1）、松灵（AgileX）、智元（AgiBot G1/A2）、星海图（Galaxea R1Pro/R1Lite）、银河通用（Galbot G1）、Realman、Franka、方舟（ARX Lift2）、天宫、UR、GR2、MagicBot Gen1、 Moz1、Zerith、非夕、青龙等。

预训练数据从2万小时双臂机器人数据扩充5万小时高质量真机数据。

这份名单本身就极具分量：它不是在实验室里挑选三五种形态相似的机械臂做demo，而是将市面上主流物理构型、运动学约束差异最大的一批人形、半人形、单臂及多复合型机器人拉到一起，实现了同一套大模型权重的跨本体泛化。

更关键的改变发生在行动空间的尺度上。

LingBot-VLA 2.0首次将头部、腰部、末端执行器（手）、移动底盘等全身多维自由度统一纳入了同一种标准的动作表示框架中。大模型不再只是个「提线木偶的手臂控制器」，而是学会了「动全身」。

这意味着，它不仅能指挥双臂在桌面上灵巧操作，更能调动腰部下蹲、配合底盘在三维空间中大范围移动、转身、开门，完成极具挑战性的精细化长序列移动操作任务（Long-Horizon Mobile Manipulation）。

基于GM-100双臂操作通用基准，LingBot-VLA 2.0在测试中展现出跨本体的显著优势：

GM-100是通用基准（generalist），专门设计用于挑战机器人智能体的泛化极限，一个模型多个任务。对比之下，专用基准则是一个模型一个任务。

在移动能力方面，LingBot-VLA 2.0基于两类硬件平台——方舟机械臂+松灵底盘与星尘智能Astribot S1，初步对比测试了π0.5。

结果表明，LingBot-VLA 2.0在长程移动操作任务中，任务进度分和成功率均显著领先，尤其在更具挑战性的跨域场景下优势稳固，展现出更强的长序列任务推进能力与移动操作泛化能力。

在移动操作评测中，整体任务被拆解为若干连续的子步骤，每个步骤依据其难度和重要程度被赋予不同分值。机器人每成功完成一个步骤，即可获得相应分数，最终累计得分反映了其在长序列任务中的实际推进能力。

相比于仅以最终成功率为衡量标准，这种分步评分方式能够更加细致地评估模型在移动、双臂协作、抓取、放置、开门、清洁等多样化环节中的综合表现。

对技术侧来说，这体现了模型的跨构型泛化能力；对产业侧来说，这意味着不同构型机器人本体的重复适配成本有机会降低，客户可以更快完成新本体、新任务、新场景的验证。

LingBot-VLA 2.0的三大底层技术革命

要让同一颗大脑「驯服」二十种迥异的机器肉身，技术路径不能再沿袭传统的「堆砌」策略，必须依赖模型架构和数据管线新的升级。

全身协同：从机械臂控制扩展到全身自由度控制

现有的许多VLA大模型，动作空间（Action Space）受限。

很多模型在设计之初只考虑了6自由度或7自由度的单只机械臂，一旦机器人搭载了移动底盘，或者换成了拥有灵巧手的人形形态，原有的动作输出层就会彻底失效。

这导致机器人「身体在移动，手臂在装死」，或者「手臂在抓取，头和腰在僵硬围观」，无法实现流畅的全身协同。

为了打破这种物理限制，LingBot-VLA 2.0重新设计并规范了统一动作表示（Unified Action Representation），用55维canonical向量表示多种构型机器人的运动。

臂部控制：14维双臂关节位置+14维末端执行器（EEF）位姿（支持三维空间位置及旋转四元数映射）。

末端交互：2维夹爪控制或12维灵巧手关节（Dexterous Hand）控制。

躯干与传感器控制：4维腰部控制+2维头部（视点方向）控制，让头部相机能实时对准操作中心。

移动控制：3维移动底盘（Mobility/Base）控制。

保留扩展：4维保留空间。

在真实任务中，复杂的移动操作绝非拼凑动作。

它让复杂的全身协同长序列操作，终于拥有了系统级优雅落地的技术保障。

三维空间感知的泛化跃迁

以往的VLA模型主要依赖RGB摄像头图像进行端到端控制。但在真实的物理交互中，单纯的二维像素极易造成深度丢失和视差幻觉。

当光线微变、桌面反光，或者一个全新的杯子出现时，机器人无法准确感知它距离机械爪到底是5厘米还是7厘米。

这种「视网膜」层次的先天缺陷，直接导致机器人在非结构化环境下抓取频繁踩空。

论文中的硬核技术解法：双查询蒸馏（Dual-Query Distillation）。

为了在不增加实时推理延迟的前提下，将精确的空间几何直觉注入大模型，LingBot-VLA 2.0引入了LingBot-Depth进行跨模态特征蒸馏，让机器人操作时更好地理解三维空间。

这一设计的核心价值在于：在推理阶段，模型无需额外挂载沉重的深度估计网络，仅凭单目RGB输入，就能在隐空间中自主「脑补」出高保真的三维空间几何关系。

依托60,000小时的物理真实预训练数据，LingBot-VLA 2.0在底座上完成了真正的跨构型迁移。不管机器人的手臂是七轴、六轴，还是底盘是轮式、双足，同一套动作指令在经过空间感知对齐后，都可以无缝映射到完全不同的硬件构型上。

引入「未来预测」任务：机器人终于有了第六感

传统VLA的逻辑是「反射弧控制」。

模型看到当前一帧画面，立刻输出当前毫秒的关节力矩。这种机制缺乏对「未来物理状态」的推演能力。

LingBot-VLA 2.0引入的未来预测，核心是让模型在生成动作时，不只理解「当前看到什么」，还要预测「接下来可能会发生什么」。

基于DINOv3主干，LingBot-VLA 2.0中的Dino-Video引入了块级因果时间注意力和3D旋转位置编码（3D-RoPE），在500万段包含视频、第一视角和机器人的视频剪辑上训练出原生视频表示模型DINO-Video。

在LARYBench上，DINO-Video在四个基准测试中的三个上取得了最佳性能，这证明了其作为机器人原生时序教师模型的有效性。

这意味着，LingBot-VLA 2.0在生成动作前，必须先在脑海中精确预测接下来物体的运动、手部交互的力学后果、以及场景的语义演变。

少一点玄学，多一点工程

LingBot-VLA 2.0的底气，还来自数据处理管线的升级和海量高质量预训练数据。

他们从约10万小时原始数据中清洗出5万小时高质量真机数据，覆盖20种不同机器人构型和丰富任务分布。

单臂：Franka、Flexiv；

双臂：AgileX、ARX Lift2、UR7e、Moz1；

半人形：AgiBot G1、Galaxea R1Pro/R1Lite、Astribot S1、Zerith H1等）；

人形：Unitree G1、Fourier GR-2、AgiBot A2、Leju KUAVO等）。

同时加入10,000小时高质量Ego数据，让模型学到更自然的交互模式和手部运动先验。

这不是简单「堆数据」。新管线做了三道硬核过滤：

• 平滑度与静止检测：计算动作/状态的三阶差分（jerk）和速度/加速度Z-score，剔除抖动严重或长时间静止的片段。

• 视频-状态一致性校验：用URDF把机器人投影到图像平面，人工+自动检查对齐，过滤模糊、严重遮挡、掉帧、多视角不一致样本。

• Ego数据重建：VLM先粗筛，再用SLAM估计相机轨迹 + MANO手姿态估计，把手部运动提升到世界坐标系统一存储。训练时再根据当前帧相机外参转回相机坐标系，实现跨数据源统一表示。

结果就是：同一套模型能力能跨20种本体迁移，大幅降低不同平台重复适配的成本。以前换一台新机器人像「重开一门课」，现在更像「换个外壳继续用」。

这些设计让后训练成本显著下降——在v1已实现1.5–2.8倍吞吐提升（单GPU261samples/s）的基础上，v2通过更高质量数据+更合理架构，进一步降低了达到目标性能所需的样本量和计算量。LingBot-VLA 2.0同步开源更高效后训练版本，推理耗时在RTX 4090上控制在130毫秒以内。

产业客户真正算得清这笔账：不是模型参数越大越好，而是「用更少的钱、更短的时间、适配更多的机器人」。

真正的行业痛点

让机器人能力可复用

把LingBot-VLA 2.0放到产业背景下看，它最重要的价值不是「又一个VLA模型」，而是试图回答一个行业共性问题：

具身智能为什么迟迟不能像大语言模型那样规模化？

答案很简单，也很扎心：语言模型面对的是统一接口，文本进去，文本出来；机器人面对的是碎裂世界，硬件不同、动作不同、传感器不同、任务不同、环境不同。

所以具身智能的规模化，不可能只靠单点能力。它需要三个东西同时成立。

第一，模型能跨本体复用。否则每接一个客户，都像重新开荒。

第二，动作空间能统一表达。否则模型学到的是「某一台机器的肌肉记忆」，不是通用操作能力。

第三，模型要能预判动作之后的世界变化。否则它只能基于当前画面被动反应，一旦进入遮挡、移动物体和长序列任务，就很容易在执行中跑偏。

LingBot-VLA 2.0，恰好对应这三个痛点。

它的路线不是炫技，而是降本。不是让机器人在论文视频里更像魔术师，而是让它在客户现场少一点「重新来过」。

这也是「卷落地」的真正含义。

跑分当然重要，没有指标就没有比较。但如果一个模型只能在精心布置的实验室里赢，它赢的是榜单，不是商业世界。

真正的具身智能要进入工厂、医院、养老、家庭、物流，它必须回答老板最关心的三个问题：换机器人要不要重训？换场景要不要重采？长任务失败率能不能降？

据了解，蚂蚁灵波携手乐聚等生态本体伙伴，以及国大药房等生态客户伙伴，在零售分拣、物流分拣、工业等落地场景开启全面商业落地测试。

另一方面，蚂蚁灵波联合简智科技等数据联盟生态伙伴，共建标准化数据体系。一个以跨构型VLA基座模型为核心，本体厂商与数据机构深度参与的具身智能生态正在成形。

LingBot-VLA 2.0给出的答案，还不是终局，但方向非常清楚：让机器人大脑从「项目制手工定制」走向「平台化复用」。

秒追ASI