蚂蚁灵波发布全球首个具身原生预训练模型LingBot-VA 2.0

7月10日，蚂蚁集团旗下具身智能公司蚂蚁灵波发布LingBot-VA 2.0，宣称是全球首个“具身原生”预训练模型。该模型从数据、训练目标到架构均面向机器人物理世界任务设计，而非嫁接数字世界模型。

核心能力与表现

• 双臂任务成功率：在RoboTwin 2.0仿真基准上平均成功率达93.6%，优于π0.5的79.8%和前代LingBot-VA的92.2%。
• 推理速度：单GPU推理延迟从baseline的965ms/chunk降至142ms/chunk，异步控制频率从33Hz提升至225Hz。
• 真实任务测试：
  • 整理桌面：完成全桌面整理，体现长程记忆与状态维持能力。
  • 传送带抓取：成功抓取移动目标，实现时间对齐。
  • 抓薯片：无触觉条件下稳定夹起薄脆薯片，展示精细操作能力。

技术架构四大支柱

1. 因果预训练：从零开始使用因果架构训练，模型只能基于过去预测未来，匹配机器人闭环控制的时间结构，避免双向模型改造带来的知识遗忘。
2. 语义视觉-动作分词器：在VAE压缩视觉信息时，额外对齐冻结的视觉基础模型语义特征，并训练隐动作模块从无标签视频中提取动作监督信号，使模型理解“动作如何改变世界”。
3. 稀疏MoE架构：视频骨干总参数约13B，推理时每个token仅激活约1.9B参数，兼顾大容量与低延迟。
4. Foresight Reasoning异步推理：机器人执行当前动作时，模型并行预判下一步，并用真实观测定期校准，避免预测漂移，实现“边想边动”。

产业生态与定位

蚂蚁灵波同时发布LingBot-VLA 2.0，已适配乐聚、星尘、智元等17家厂商的20种机器人构型，在物流分拣、零售分拣等场景落地。公司采取“投产一代、预研一代”策略，VLA沉淀场景数据反哺VA迭代。LingBot-VA 2.0定位为预研的下一代大脑，与VLA形成互补。