60000小时炼出新开源VLA！20多种机器人都能用- 大数跨境

量子位

2026-07-08

导读：蚂蚁灵波Lingbot-VLA 2.0

导读：蚂蚁灵波正式开源 LingBot-VLA 2.0，该模型基于 60000 小时真实物理世界数据训练而成，支持 20 余种机器人构型。相较于前代，其在动作空间、空间理解及长序列任务规划上实现显著突破，并在 GM-100 基准测试中超越 GR00T N1.7 与 π0.5 等主流模型，展现出强大的通用具身智能能力。

蚂蚁灵波最新发布的 LingBot-VLA 2.0，是一个面向复杂物理世界任务的通用视觉 - 语言 - 动作（VLA）模型。其核心优势在于高达 60000 小时的预训练数据规模，其中 50000 小时源自涵盖 20 种构型的机器人轨迹数据，另 10000 小时提取自第一视角人类操作视频。相比半年前发布的 1.0 版本，数据规模扩大了三倍。

实测显示，该模型能流畅完成从拿取物品、移动篮筐到打开冰箱并收纳的一整套长序列操作。除数据规模外，LingBot-VLA 2.0 还具备以下关键技术特性：

兼容 20 多种不同机器人构型；
动作空间从双臂扩展至头部、腰部、移动底盘及灵巧手；
融合 LingBot-Depth 模块，显著增强空间理解能力；
在英伟达 RTX 4090 显卡上推理延迟低于 130ms。

机器人作业能力显著提升

在真实家务场景中，LingBot-VLA 2.0 展现了卓越的连续决策与精细交互能力。

复杂场景清理与收纳

在“清理灶台”任务中，机器人需先移开障碍物，精准使用海绵擦拭，最后将物品归位。而在“调料收纳”任务中，模型展示了出色的双臂协同与空间关系处理能力，能够准确判断物体位置、间距及桌面结构。

通过融合 LingBot-Depth 2.0，模型生成的深度热力图、物体边界 Token 掩码及余弦相似度热图，使其能精准把握自身与空间的关系。这表明 LingBot-VLA 2.0 旨在打造一套可迁移至不同身体、场景和任务的通用具身操作基座，而非针对单一机器人的专用模型。

引入未来预测机制

LingBot-VLA 2.0 的性能飞跃源于数据质量的提升与架构的创新。

多维数据与统一动作空间

模型训练数据经过严格清洗，覆盖了 Leju、Franka、Unitree G1、Fourier GR-2 等 20 种 embodied 形态。丰富的数据使模型不仅能理解指令语义，还能掌握机械臂接近、夹爪闭合及底盘移动等具体动作规律。

更重要的是，模型打通了动作空间，将不同机器人的关节、夹爪及底盘差异映射到统一表示中，支持头部、腰部等多自由度协同，以应对开放场景下的长序列复杂任务。

前瞻式时序理解

区别于传统的反馈式执行，LingBot-VLA 2.0 引入了未来深度预测和语义特征预测机制。通过挂载可学习的 Query Token，并利用 LingBot-Depth 和 DINO-Video 模型进行蒸馏监督，系统能在生成动作时同时理解当前状态并预判未来变化，有效解决了长序列任务中的累积误差问题。

GM-100 基准测试表现优异

在 GM-100 多任务通用基准测试中，LingBot-VLA 2.0 与 GR00T N1.7、π0.5 及前代版本进行了全方位对比。

双臂操作性能

在 AgileX Cobot Magic 平台上，LingBot-VLA 2.0 的平均成绩为 66.2/34.4，显著高于 GR00T N1.7（36.3/17.8）和 π0.5（59.1/32.2）。在 Galaxea R1 Pro 平台上，其进度分同样领先竞品，成功率与前代持平但优于其他对比模型。