蚂蚁集团开源 LingBot-VLA：一个实用的 VLA 基础模型，9 类机器人 2 万小时真实操作数据。

在具身智能领域，如何让机器人真正走进复杂现实世界并跨平台执行精细操作，一直是学术界与工业界的痛点。蚂蚁灵波科技发布的 LingBot-VLA 基础模型，整合 9 类机器人 2 万小时真实操作数据，采用 MoT 架构，具备超强跨平台泛化力与空间感知力，训练效率较主流框架提升 1.5 - 2.8 倍，在真实世界与仿真测试中表现卓越，为具身智能落地提供了高性价比底座。

unsetunset相关链接unsetunset

• 论文：https://arxiv.org/pdf/2601.18692
• 网页: https://technology.robbyant.com/lingbot-vla
• 源码：https://github.com/robbyant/lingbot-vla
• 权重: https://huggingface.co/collections/robbyant/lingbot-vla

unsetunset论文介绍unsetunset

LingBot-VLA是一个基于约 20,000 小时真实世界操作数据的具身人工智能基础模型，涵盖 9 种主流双臂机器人配置。我们在 3 个机器人平台上进行了系统评估，每个配置包含 100 个任务，每个任务使用 130 个训练回合进行后训练自适应。实验结果表明，LingBot-VLA 的性能显著优于现有解决方案，验证了其卓越的性能和强大的泛化能力。此外，论文开发了一个高效的后训练工具链，在 8 GPU 配置下实现了每秒 261 个样本的吞吐量，相比现有的 VLA 代码库（取决于底层 VLM），速度提升了 1.5 到 2.8 倍。这些特性确保该模型非常适合物理机器人部署。为了推动机器人学习领域的发展，我们发布了完整的代码、基础模型和基准测试数据，旨在支持对更具挑战性任务的研究，并促进评估协议的标准化。

unsetunset模型概要unsetunset

LingBot-VLA 具身智能基座模型，其训练数据涵盖 9 种主流双臂机器人配置、总计约 20,000 小时的真实世界操作数据。我们在 3 种机器人构型上进行了系统性评估，每种构型设置 100 项任务，每项任务使用 130 条后训练数据进行适配。实验结果表明，LingBot-VLA 相较于现有方案具有显著优势，充分验证了其卓越的性能表现与广泛的泛化能力。与此同时，我们构建了一套高效的后训练工具链，在 8 卡 GPU 配置下实现了每秒 261 个样本的吞吐量，较现有 VLA 代码库提升了 1.5 至 2.8 倍（具体取决于所依赖的 VLM 基座模型）。上述特性使该模型能够充分满足实机部署需求。为推动机器人学习领域的持续发展，我们开源了全部代码、基座模型及评测基准数据，旨在为更具挑战性的任务研究提供支撑，并促进领域内评估标准的规范化建设。

unsetunset真机 Scaling Lawunsetunset

基于在海量的真实世界数据上的预训练，第一次系统研究了 VLA 模型在真实机器人任务性能上随着数据规模增长时的 scaling law。该项目发现随着预训练数据规模从 3,000 小时扩展到 6,000、13,000、18,000，最终至20,000 小时，模型在下游任务的成功率获得持续且显著的提升。值得注意的是，预训练数据量达到 20,000 小时时，模型性能仍呈现上升趋势，表明 VLA 的性能仍然能够随着数据量的增加而提升。这些实验结果证明了 VLA 模型在用真实数据预训练时呈现了良好的可扩展性，为未来的 VLA 开发和大规模数据挖掘提供了重要启示。

unsetunset大规模数据管理和高效训练代码库unsetunset

论文精心收集了 20,000 小时的真实机器人训练数据，涵盖九种主流双臂机器人。为了确保标注的精确性，我们手动将视频分割成原子动作，并使用 VLM 工具标注全局和子任务描述。我们的代码库集成了多项高级优化技术，包括全分片数据并行 (FSDP)、混合精度训练和算子融合。海量高质量数据与高效训练基础设施的结合，是 LingBot-VLA 卓越性能的基石。

unsetunset实验unsetunset

对多种机器人模型进行了广泛的实际应用验证，包括 Agibot G1、AgileX 和 Galaxea R1Pro：每个模型在每种机器人模型上均进行了 100 项任务的评估，每项任务收集了 130 条轨迹用于模型训练。实验结果表明，LingBot-VLA 的性能显著优于现有的 VLA 基线模型，展现出更高的准确率和更强的泛化能力。

为了显式捕捉操控环境中的空间感知能力，并进一步提升机器人执行的鲁棒性，我们采用了一种基于查询向量（query）的深度蒸馏方法。具体而言，我们引入了与三视角操作图像相对应的可学习 queries，这些 queries 经 VLM 处理后，与 LingBot-Depth 输出的 depth embeddings 进行对齐。这种对齐机制在维持模型训练与推理的效率的同时，有效将深度信息集成到 LingBot-VLA 中。在真实机器人平台和仿真环境下进行的广泛实验证明，深度信息的融入提升了 LingBot-VLA 的操控性能。

unsetunset结论unsetunset

LingBot-VLA 的研究为具身智能领域带来重要启示，其“大规模真实数据”“解耦与融合”“极致的工程效率”三大特点，证明了具身领域存在强大的 Scaling Law 且上限极高，通过 MoT 架构平衡语义理解与动作控制，解决了跨模态干扰难题，同时提升了训练效率。该模型开源代码、模型和基准数据，为全球开发者提供了高性能且易于上手的“务实”起点，推动具身智能竞争从“比 Demo”转向“比底座”。