蚂蚁灵波LingBot-VA 2.0发布具身原生全栈技术布局关键进展

7月10日消息，蚂蚁灵波近日正式推出业界首个具身原生世界动作模型——LingBot-VA 2.0，这一发布标志着机器人基础模型的设计理念从“数字世界模型构建”转向了“面向物理世界的原生设计”。其背后代表了一条关键技术路线选择：机器人的“大脑”不再简单嫁接数字世界模型的能力，而是从与环境交互的原始需求出发，如动态建模、因果预测、实时执行等，进行原生架构设计。

由于采用了具身原生架构，LingBot-VA 2.0在真机测试中表现惊艳：执行速度更快、泛化能力更强。例如，在下面这段视频中，机器人完全不需要依赖任何外部拍摄设备，就能与人类完成多轮随机对打，动作流畅自然，毫无拖沓之感。

今年以来，业界持续探讨一个核心问题：世界模型与具身智能该如何融合？答案是，从物理世界的“控制执行”需求出发，必须持续具备符合因果规律的“预测能力”。机器人面对连续变化的真实世界，不仅要针对当前情况作出即时反应，还必须理解一个动作会引发怎样的环境变化，并据此决定下一步行动。目前行业主流路线多采用针对数字内容创作的视频生成模型，通过微调适配机器人控制任务。

但内容创作与机器人控制的目标截然不同：前者看重画质与创意，后者更关注执行效率与预测的合理性。这种差异导致数字世界的视频模型与物理世界的视频动作模型，从设计之初就各有侧重。强行通过“微调”将前者适配后者，会引发知识遗忘、泛化性下降等副作用，得不偿失。

LingBot-VA 2.0选择了直面挑战，走一条更艰难的路——基于自回归架构从头开始预训练，通过四大核心设计构建原生基模。

首先，模型引入语义视觉-动作分词器作为全新视觉编码器，在视觉压缩过程中对齐语义和动作信息，使后续训练中模型更易将“理解指令”转化为“完成动作”，有利于提升指令跟随与动作精度。其次，模型采用严格的因果预训练范式，从训练伊始即使用自回归架构，确保视觉预测与动作生成完全遵循单向时间顺序。第三，引入MoE架构，在不牺牲推理效率的前提下扩大模型容量，在性能与效率之间找到了良好平衡。最后，通过增强的异步推理机制实现实时闭环控制，机器人可在执行动作的同时预测未来状态，并利用最新真实观测不断校正下一步决策。基于这些设计，针对行业普遍面临的具身世界模型执行效率低的问题，LingBot-VA 2.0交出了单卡150Hz实时推理效率的成绩单。

从“干活”角度来看，机器人需要“看得更清楚”“想得更明白”“干得更利索”。本周，蚂蚁灵波已连续发布并开源多款模型，包括面向空间感知的LingBot-Vision和LingBot-Depth 2.0、面向“一脑多机”的动作模型LingBot-VLA 2.0、面向实时交互的LingBot-World 2.0，以及面向更高推理效率的视频生成基模LingBot-Video。这些模型代表着蚂蚁灵波在持续探索具身原生所需的细分方向能力。而LingBot-VA 2.0作为集大成者扮演了收官之作的角色，也正式开启了具身原生的新阶段。

蚂蚁灵波CEO朱兴表示，一方面将持续探索具身智能的新上限，另一方面也将加速构建开放的技术生态与场景生态，助力机器人加速走进产业场景。

据了解，蚂蚁灵波将在7月17日至20日举行的2026世界人工智能大会期间，全面展示全栈大脑2.0落地场景的能力。