蚂蚁灵波发布行业首个具身原生世界动作模型LingBot-VA 2.0

值得特别关注的是，蚂蚁灵波于7月10日正式发布了业界首个具身原生世界动作模型——LingBot-VA 2.0。这一发布时机在当前行业背景下意义重大。

今年以来，世界模型与具身智能的融合路径，始终是业界热议的焦点。目前，大多数团队采取的思路是：选用为数字内容创作设计的视频生成模型，再通过微调将其改造为机器人控制模型。然而，这一方法存在根本性矛盾——内容创作与机器人控制二者的设计初衷截然不同。强行对前者进行微调，往往导致知识遗忘、泛化能力退化等副作用。

LingBot-VA 2.0则选择了一条更具挑战性的技术路线：从零开始，基于自回归架构进行预训练。团队并未走捷径，而是通过四大核心设计，成功搭建出原生基模。

首先，团队引入了全新的“语义视觉-动作分词器”作为视觉编码器。该模块在进行视觉压缩时，将语义信息与动作信息对齐，使得模型在后续训练中能够更高效地将“理解指令”转化为“完成动作”，从而显著提升指令跟随能力与动作精度。其次，模型采用了严格的因果预训练范式。从训练初始，自回归架构就确保了视觉预测与动作生成严格遵循单向时间顺序，避免了序列混乱。第三，团队引入了MoE（混合专家）架构，在保持推理效率的同时大幅扩展了模型容量，实现了性能与效率的平衡。第四，通过增强的异步推理机制，模型实现了实时闭环控制：机器人在执行动作的同时，不断预测未来状态，并利用最新真实观测数据实时校正后续决策。

基于上述设计，LingBot-VA 2.0有效解决了行业长期面临的“具身世界模型执行效率低”这一痛点，实现了单卡150Hz的实时推理效率。这一数据在当前技术环境下极具说服力。

凭借这套具身原生架构，LingBot-VA 2.0在真实机器人测试中展现出优异的执行速度与泛化能力。蚂蚁灵波CEO朱兴表示，团队将持续探索具身智能的技术边界，同时加速构建开放的技术生态与场景生态，推动机器人更快落地实际产业应用。