蚂蚁灵波 LingBot 三连发:同一天开源 VLA / 视频基模 / 世界模型,具身智能第一次有了完整的基础设施栈

> 2026-07-08/09 · 蚂蚁灵波科技 · 具身智能基础设施 > LingBot-VLA 2.0:https://technology.robbyant.com/lingbot-vla-v2 > LingBot-Video:https://www.ithome.com/0/974/517.htm > LingBot-World 2.0:https://www.ithome.com/0/974/508.htm > Hugging Face:https://huggingface.co/collections/robbyant/lingbot-vla-v2

事件本身:一个团队,三个开源,三件套

7 月 8 日到 9 日,蚂蚁集团旗下灵波科技(Robbyant)同一天连续开源三个具身智能基础模型:

模型	参数量	定位	主要基准
LingBot-VLA 2.0	6B	视觉-语言-动作模型,直接输出机器人动作	GM-100 双手机器人任务领先 π0.5
LingBot-Video	30B(激活 3B)	视频生成基模,面向具身智能	RBench 0.620、Physics-IQ Verified 第一
LingBot-World 2.0	14B	实时交互世界模型	720p/60fps 稳定输出 1 小时

这三个模型合在一起,构成了具身智能的「VLA + 视频基模 + 世界模型」三件套——对标 NVIDIA Cosmos,但走完全开源 + Apache-2.0 路线。

这件事的工程意义,不在于每个模型有多强,而在于三个模型同源同栈,一起开源。

三个模型的深度细节

LingBot-VLA 2.0:6B 参数,跨 20 种机器人形态的统一动作表示

VLA(Vision-Language-Action)是具身智能的核心模型类型——把相机图像 + 语言指令映射成机器人动作。之前的 VLA 模型有两个老问题:每个机器人形态要单独训练(因为关节定义不同),部署时推理慢(多数模型超过 200ms)。

LingBot-VLA 2.0 的解法很有巧思:

第一,统一动作表示。用一个 55 维向量统一所有机器人形态的状态和动作:

手臂关节位置:14
末端执行器位姿:14(XYZ + 四元数 × 2)
夹爪位置:2
手指关节位置:12
腰部位置:4
头部位置:2
移动基座信号:3
保留:4

没有某个部位的机器人就把对应维度补零。这意味着 一个模型可以同时控制单臂、双手、人形、移动机器人。

第二,MoE 动作专家。在 transformer 的前馈层换成稀疏 MoE——一个共享专家 + 多个路由专家,每 token 激活 top-K。在相同激活参数下,MoE 模型的训练损失和验证动作误差都比 dense 基线低。

第三,数据质量工程。预训练数据 60,000 小时:

50,000 小时机器人轨迹(覆盖 20 种机器人配置,从单臂到完整人形)
10,000 小时第一视角人类视频

数据过滤管道明确测量「第三阶 jerk + 速度/加速度 Z-score」,过滤掉「过度静态或抖动异常」的样本。视频用 URDF 重建验证与原始状态一致性,人手视频用 MANO 重建手部姿态。

第四,双查询蒸馏。模型在视觉/文本 token 上加两个可学习查询:Q_t 关注当前观察,Q_{t+T} 关注未来观察。两个教师模型(LingBot-Depth 提供几何监督,DINO-Video 提供时间动态监督)指导这两个查询。

推理速度:RTX 4090D 上 130ms(10 个去噪步)——这是消费级 GPU 上的实用速度。

关键 benchmark:在 GM-100(双手 100 任务)上,LingBot-VLA 2.0 在 AgileX Cobot Magic 拿到 66.2/34.4(progress/success),超过 GR00T N1.7、π0.5、LingBot-VLA 1.0。在长时移动操作任务上(Astribot S1 冰箱分类、Cobot Magic-ARX X5 炉灶清洁),in-domain 和 OOD 都超过 π0.5。

LingBot-Video:30B 总参/3B 激活,MoE 视频基模面向具身

视频生成模型分两条路线:一条通向影院(创意内容),另一条通向机器人(物理世界理解)。LingBot-Video 走的是第二条。

架构:DiT + MoE。30B 总参数,推理时仅激活 3B。同等参数规模下,推理效率比 Dense 高约 3 倍。

数据:数据画像引擎在海量互联网视频基础上,引入 VLA、VLN、Ego 等机器人相关数据 7 万小时,覆盖灵巧操作、机器人移动、第一视角交互。模型学的是「动作与环境变化之间的关系」,不只是视频表面纹理。

训练:多维 RL 奖励系统,除美学、prompt 跟随、运动一致性外,还围绕物理合理性和任务完成度对齐。引入真实世界视频作为偏好信号。

关键 benchmark:RBench(北大 + 字节的机器人视频基准)总分 0.620,超过 Wan 2.6(0.607)、Seedance 1.5 Pro(0.584)、NVIDIA Cosmos 3 Super(0.581)。Physics-IQ Verified(物理现象生成与预测)评测排名第一。

LingBot-World 2.0:14B 实时交互世界模型

世界模型的核心是「模拟物理世界的演化」。LingBot-World 2.0 支持:

施法、攻击、跳跃等丰富角色动作
文本驱动事件
内置 Pilot Agent + Director Agent,实现世界持续演化
多人同时交互
稳定输出 720p/60fps 实时画面,长达 1 小时画质不衰减

720p/60fps 是「游戏级」的画面水准。1 小时稳定输出意味着世界模型已经从「短视频片段」推进到「长时程可交互仿真」。

值得关注的原因

1. 「VLA + 视频基模 + 世界模型」三件套同栈同源,工程价值远大于单点模型

如果只看 LingBot-VLA 2.0,这是一个开源的 6B VLA——有很多类似的工作(π0.5、GR00T N1.7)。如果只看 LingBot-Video,这是一个 MoE 视频生成模型——和 Wan、Cosmos 是竞品。如果只看 LingBot-World 2.0,这是一个世界模型——和 GAIA-1、UniSim 是同一类。

但当三个模型同源同栈同天发布,价值就完全不同了:

数据可以互相增强:VLA 训练用的 50,000 小时机器人轨迹,可以让视频基模学到「真实机器人动作的物理一致性」;反过来,视频基模生成的仿真数据可以扩充 VLA 训练集。
世界模型可以为 VLA 提供仿真环境:在部署前用 World 2.0 模拟新环境,VLA 在里面做大量闭环训练,这是 RL 在物理世界不可行的工程折中方案。
三者的预训练数据可以共享 backbone:用 Qwen3-VL-4B 作为 VLA 的视觉语言骨干,视频基模用同一个 ViT 提取视觉特征,世界模型的 Pilot Agent 复用 VLM 的指令理解能力。

这套「同栈同源」的设计,是 NVIDIA Cosmos 系列试图实现但没有完全公开做成的目标。Cosmos 1.0 主要是世界模型,Cosmos 2.0 加了视频生成,但 VLA 还是依赖外部(GR00T)。蚂蚁灵波这是第一次把三件套完整开源且工程上自洽。

2. 对标 NVIDIA Cosmos,但走完全开源路线

NVIDIA Cosmos 在 2025 年初发布时,定位就是「具身智能的基础设施」。但 Cosmos 系列有明确的商业边界:基础模型开放权重,但训练数据、训练 pipeline、Post-training 工具链是收费的。

蚂蚁灵波这套三件套走 Apache-2.0 路线:

LingBot-VLA 2.0 模型权重 + 代码 + 技术报告全部开源
LingBot-Video 同上
LingBot-World 2.0 同上

这意味着任何具身智能公司、机器人公司、研究机构都可以免费商用这套基础设施——不需要给 NVIDIA 付钱,也不需要签保密协议。这对中小具身公司、学术研究机构、开源社区来说是巨大的杠杆。

对中国具身智能行业来说,这更是一个主权意义上的事件——之前做具身智能要么用 NVIDIA Cosmos(底层依赖美国生态),要么自己从头训练(成本巨大)。现在有了 Apache-2.0 的中文世界级替代方案。

3. 数据规模和处理方式的工程示范

60,000 小时数据 + 7 万小时视频——这些数字本身不是最大的惊喜,惊喜的是 数据的「可计算性」。

LingBot-VLA 2.0 的数据过滤管道明确测量:

第三阶 jerk(动作平滑度)
速度/加速度 Z-score
URDF 重建与原始状态的视频一致性
MANO 重建的人手姿态

LingBot-Video 的数据画像引擎在海量互联网视频中按「物理一致性」分类,只保留对具身智能有用的部分。

这不是「数据量大」的简单叙事,而是「数据可量化、可过滤、可分析」的工程示范。对整个具身智能行业的数据处理范式来说,这是一个值得借鉴的标准。

4. 与宇树 Nature 论文形成「论文 + 基础设施」的双线推进

如果把 7 月 8 日到 9 日的所有具身智能新闻放在一起:

07-08:Nature 论文(宇树 G1 活体手术)
07-08:LingBot-VLA 2.0 开源
07-09:LingBot-Video 开源
07-09:LingBot-World 2.0 开源

「应用层论文(验证可用性) + 基础层开源(提供基础设施)」同周出现——这是具身智能产业「上半场论文驱动、下半场工程驱动」的拐点。

论文侧证明「具身智能能做手术」,开源侧提供「让所有研究者都能做 VLA + 视频 + 世界模型训练」的工具。这两件事配合起来,中国具身智能产学界的迭代速度会显著加快。

风险与待观察

诚实承认几点不确定性。

第一,6B 模型 + 130ms 推理 听起来美好,但 130ms 是 RTX 4090D 上的 10 步去噪。如果要做 25 步去噪、batch 处理、复杂多步任务,延迟会显著上升。真实生产场景的端到端延迟还需要更多实测。

第二,GM-100 benchmark 是 Cognition 自家风格的高质量评测,但不是社区公认的 SOTA。VLA 领域目前没有像 SWE-bench 那样的公认基准。LingBot-VLA 2.0 在 GM-100 上领先,不代表它在 BridgeData、RT-1、OpenVLA 等其他数据集上同样领先。

第三,世界模型的「1 小时稳定输出」是测试条件,不是生产条件。真实的多人交互、长时程任务、复杂物理事件下,世界模型的稳定性会显著下降。这是当前所有世界模型的共同弱点。

第四,Apache-2.0 开源 + 中国团队 的组合有商业化张力。如果未来某些商业模型公司基于 LingBot 系列训练出闭源增强版,而不回馈开源社区,Apache-2.0 本身是允许这种行为的。这是开源协议的法律现实,不构成对蚂蚁灵波本身的指责,但确实是商业化路径上的开放问题。

总的来说,LingBot 三连发是 2026 年具身智能领域最具基础设施意义的一次开源事件。它不只是「又一个开源模型」,而是「一个完整的技术栈同源同栈同天开源」——这种工程组织能力,本身就是一个值得跟踪的信号。对中国具身智能行业来说,这是第一次「具身智能的基础设施不是 NVIDIA 独有」的实证。