蚂蚁灵波发布行业首个具身原生世界动作模型LingBot-VA 2.0

7月10日，蚂蚁灵波正式发布了业界首个具身原生世界动作模型——LingBot-VA 2.0。这个消息在圈内炸开了锅，因为它标志着机器人基础模型的一条关键路径转折：从过去“基于数字世界模型拼凑”的思路，彻底转向了“面向物理世界原生设计”。说得直白一点，以前大家想的都是用视频生成模型嫁接一下，让机器人学着动；现在灵波选择了从头开始，让模型天生就为物理交互而生。

这个转向到底意味着什么？简单概括就是：机器人“大脑”不再依赖数字世界模型能力的嫁接，而是从动态建模、因果预测、实时执行这些与真实环境打交道的原始需求出发，进行原生设计。这种路线选择，决定了后续所有的技术指标和落地表现。

得益于这套具身原生架构，LingBot-VA 2.0在真机测试中交出了一份漂亮的成绩单。举个例子：在不依赖任何外部拍摄设备的前提下，机器人就能跟人类进行多轮随机对打——你挥拳它躲闪，你虚晃它预判，反应速度和泛化能力都相当惊人。

这里需要补充一个背景。当前行业主流路线大多依托面向数字内容创作的视频生成模型，然后通过微调来适配机器人控制任务。但内容创作和机器人控制，本质上是两码事：前者更在意画质和创意，后者更在意执行效率和预测的合理性。LingBot-VA 2.0选择直面这个矛盾，走了一条更艰难但更根本的路——基于自回归架构从零开始预训练，通过四大核心设计构建原生基模。

首先，模型引入了一个全新的视觉编码器，叫语义视觉-动作分词器。它在视觉压缩过程中同步完成了语义信息与动作信息的对齐，让模型从训练早期就容易把“理解指令”转化成“完成动作”，而不是绕一大圈再映射。

其次，采用严格的因果预训练范式。从第一天训练开始，自回归架构就保证视觉预测和动作生成完全遵循单向时间顺序——过去影响未来，未来不干扰过去，这才是物理世界的基本法则。

随后引入了MoE（混合专家）架构，在不牺牲推理效率的前提下有效扩大了模型容量。说白了，就是让模型在性能和效率之间找到了一个更优的平衡点，不至于为了反赌就砍掉关键能力。

最后，通过增强的异步推理机制实现了实时闭环控制。机器人在执行动作的同时，能预测未来状态，并不断用最新的真实观测去校正下一步决策。这就像下棋时边落子边算三步后的局面，走一步看一步的同时又提前布局。

基于这些设计，LingBot-VA 2.0给出了一个让行业侧目的效率数字：单卡150Hz实时推理。要知道，具身世界模型的执行效率一直是业界的“老大难”问题，很多模型在实验室里跑得不错，一到真机就卡顿到令人崩溃。150Hz意味着什么？相当于每秒能刷新150次决策周期，基本接近人类运动控制的反应节奏。

值得一提的是，这一周蚂蚁灵波接连发布并开源了多款模型，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-VLA2.0、面向实时交互的LingBot-World2.0，以及面向更高推理效率的视频生成基模LingBot-Video。这些模型各自瞄准了具身原生的细分方向，而LingBot-VA 2.0作为集大成者，扮演了“收官之作”的角色，也正式拉开了具身原生新阶段的序幕。

蚂蚁灵波CEO朱兴在发布时表示：一方面将持续探索具身智能的上限，另一方面将加速构建开放的技术生态和场景生态，推动机器人走向产业场景。从目前的产品矩阵看，这个布局已经相当清晰。

如果对这个方向感兴趣，可以关注7月17日至20日在上海举办的2026世界人工智能大会（WAIC）。蚂蚁灵波将在上海世博展览馆（H3-B302、H1-C701展位）全面展示全栈大脑2.0的落地场景能力，到时候现场体验一下真机的表现，可能比任何文字描述都更有说服力。