蚂蚁灵波开源LingBot-VLA 2.0与LingBot-Vision：跨20种机器人本体的VLA大脑与空间原生视觉基模

2025年6月，蚂蚁灵波（Robbyant）发布并开源了新一代具身基座模型LingBot-VLA 2.0，以及全球首个面向具身智能的“空间原生”视觉基础模型LingBot-Vision。LingBot-VLA 2.0在5万小时机器人轨迹数据和1万小时第一视角人类操作视频（总计6万小时）上预训练，支持17家厂商的20种机器人构型，动作空间从双臂扩展至头部、腰部、移动底盘、灵巧手等全身自由度。模型引入MoE架构处理多本体差异，并通过未来深度预测和语义特征预测增强长序列任务能力。在GM-100多任务基准上，LingBot-VLA 2.0在AgileX Cobot Magic平台平均进度分/成功率为66.2/34.4，领先GR00T N1.7（36.3/17.8）和π0.5（59.1/32.2）；在Galaxea R1 Pro平台为34.6/15.6，同样领先。长程移动操作任务中，冰箱收纳ID设置下LingBot-VLA 2.0为77.1/60.0，π0.5为65.3/46.7；OOD设置下为37.0/13.3 vs 30.3/6.7。清理灶台ID设置下为84.3/66.7 vs 79.9/60.0；OOD设置下为67.5/40.0 vs 62.5/33.3。

LingBot-Vision是约1.1B参数的ViT-g/16模型，采用“以边界为中心的掩码建模”（Boundary-centric Masked Modeling），在预训练阶段强制模型学习物体边界和几何结构，而非随机掩码。训练数据仅1.61亿张图片（DINOv3为16.89亿张），训练迭代量不足DINOv3的三分之一。在NYUv2深度估计上，LingBot-Vision的RMSE为0.296，优于7B参数DINOv3的0.309；在KITTI上为2B参数以下最强。蒸馏后的0.3B ViT-L模型在NYUv2上追平7B DINOv3，参数量相差约23倍。LingBot-Depth 2.0基于LingBot-Vision，在12个深度补全基准上取得领先，尤其在透明、反光、小目标、远距离和复杂室内场景中表现突出。蚂蚁灵波已与奥比中光达成合作，推出EGO-RGBD数采设备、SDK集成和一体化相机。

LingBot-VLA 2.0的模型权重、训练代码和技术报告已开源（Hugging Face、魔搭社区、GitHub），LingBot-Vision也同步开源。LingBot-Depth 2.0暂不开源，作为商业能力服务产业。