国产开源新突破！5万小时真机数据，撕开行业最大痛点

行业导读

当机器人后空翻刷屏时，代表小脑运动控制已快速进展。但让机器人真正落地的瓶颈并非小脑，而是缺乏通用的“大脑”。蚂蚁灵波最新开源的 LingBot-VLA 2.0，用同一套模型成功适配了 20 种不同构型的机器人，直击行业重复适配成本高昂的痛点，推动具身智能从“手工定制”走向“平台化复用”。

从“身体过热”到“大脑通用”：LingBot-VLA 2.0 的破局之路

过去一年，机器人领域的聚光灯多集中在“身体”能力的展示上：后空翻、跑马拉松、跌倒自恢复等视频层出不穷。然而，这些多为特定封闭环境下的局部优化，而非真正的认知推理与长期规划。不同的硬件构型如同孤立的语言孤岛，导致每更换一种机器人本体或场景，往往需要从头开始训练，Demo 越惊艳，背后的重复适配成本越惊人。

在此背景下，蚂蚁集团旗下具身智能企业蚂蚁灵波（Robbyant）选择了一条务实道路：不卷硬件参数，直指“通用大脑”的核心难题。继半年前基于 2 万小时真机数据开源 LingBot-VLA 1.0 后，刚刚发布的 LingBot-VLA 2.0 进一步升级，旨在用一颗“通用脑”解决“一脑多机”的泛化挑战。

相关资源已全面开源：

• 技术报告：From Foundation to Application: Improving VLA Models in Practice
• 项目页面、代码库及模型权重已在 GitHub、Hugging Face 及 ModelScope 上线。

跨平台统治力：从“适配一款”到“通吃 20 种”

具身智能规模化的关键在于模型的迁移能力。LingBot-VLA 1.0 曾通过汇聚 2 万小时涵盖 9 种主流双臂机器人构型的真机数据，实现了高效的预训练与微调。而 LingBot-VLA 2.0 将这一能力大幅提升：

• 覆盖广度：预训练阶段覆盖20 种以上机器人构型，横跨国内外 17 个主流品牌，包括乐聚、宇树、星尘、松灵、智元、星海图、银河通用、Realman、Franka、UR 等，涵盖人形、半人形、单臂及多复合型人才。
• 数据规模：高质量真机预训练数据从 2 万小时扩充至5 万小时。
• 全身协同：首次将头部、腰部、末端执行器（手）、移动底盘等全身多维自由度纳入统一动作表示框架，支持复杂的长序列移动操作任务（Long-Horizon Mobile Manipulation）。

基于 GM-100 双臂操作通用基准测试，LingBot-VLA 2.0 在跨本体泛化能力上表现显著。特别是在结合移动底盘的长程任务中，其在任务进度分和成功率上均优于竞品，展现出更强的跨域场景适应能力。

LingBot-VLA 2.0 的三大底层技术革命

要实现同一模型“驯服”二十种迥异的机器肉身，必须依赖架构与数据管线的深度革新。

全身协同：统一动作表示打破物理限制

传统 VLA 模型动作空间受限，往往只能控制机械臂，难以协调移动底盘或灵巧手，导致“身体在动，手臂装死”的割裂现象。LingBot-VLA 2.0 重新设计了统一动作表示（Unified Action Representation），采用55 维 canonical 向量标准化多种构型机器人的运动控制：

• 臂部控制：14 维双臂关节位置 +14 维末端位姿（支持三维空间及旋转四元数）。
• 末端交互：支持 2 维夹爪或 12 维灵巧手关节控制。
• 躯干与传感器：4 维腰部控制 +2 维头部视点控制，确保视觉实时对准操作中心。
• 移动控制：3 维移动底盘控制。

这一设计让复杂的全身协同长序列操作拥有了系统级落地的技术保障。

三维感知跃迁：双查询蒸馏注入空间直觉

针对纯 RGB 输入导致的深度丢失和视差幻觉问题，LingBot-VLA 2.0 引入了双查询蒸馏（Dual-Query Distillation）技术。通过引入 LingBot-Depth 进行跨模态特征蒸馏，模型在推理阶段无需挂载沉重的深度估计网络，仅凭单目 RGB 输入即可在隐空间中自主构建高保真的三维空间几何关系。

依托 6 万小时的物理真实预训练数据，该机制实现了真正的跨构型迁移。无论机器人硬件形态如何差异，同一套动作指令经空间感知对齐后，均可无缝映射。

引入“未来预测”：赋予机器人第六感

传统 VLA 模型多为“反射弧控制”，缺乏对未来物理状态的推演。LingBot-VLA 2.0 引入未来预测任务，基于 DINOv3 主干训练的 DINO-Video 模型，利用块级因果时间注意力和 3D 旋转位置编码，使模型在生成动作前能精确预测物体运动、力学后果及场景语义演变。

在 LARYBench 基准测试中，DINO-Video 在四项测试中的三项取得最佳性能，证明了其作为原生时序教师模型的有效性。

工程化落地：少一点玄学，多一点实效

LingBot-VLA 2.0 的优势不仅源于算法创新，更来自严谨的数据工程。团队从约 10 万小时原始数据中清洗出 5 万小时高质量真机数据，并额外加入 1 万小时第一视角（Ego）数据。数据处理管线实施了严格的三道过滤：

1. 平滑度与静止检测：剔除抖动严重或长时间静止片段。
2. 视频 - 状态一致性校验：利用 URDF 投影对齐，过滤模糊、遮挡及多视角不一致样本。
3. Ego 数据重建：结合 SLAM 与手部姿态估计，实现跨数据源的统一坐标表示。

结果是显著的：同一套模型能力可跨 20 种本体迁移，大幅降低重复适配成本。后训练效率进一步提升，在 RTX 4090 上推理耗时控制在 130 毫秒以内。对于产业客户而言，这意味着换机器人无需“重开一门课”，只需“换个外壳继续用”。

结语：让机器人能力真正可复用

具身智能迟迟未能像大语言模型那样规模化，核心原因在于硬件、动作、传感器及环境的极度碎片化。LingBot-VLA 2.0 的价值在于回答了行业三个关键问题：模型能否跨本体复用？动作空间能否统一表达？模型能否预判世界变化？

目前，蚂蚁灵波已携手乐聚等本体伙伴及国大药房等客户，在零售分拣、物流及工业场景开启全面商业落地测试。同时，联合简智科技等共建标准化数据体系，推动具身智能生态从“项目制手工定制”向“平台化复用”演进。这不仅是技术的进步，更是具身智能走向大规模商业应用的必由之路。