全球首个「具身原生」预训练模型发布，从物理世界出发为机器人造大脑！

52 0 0

文章摘要

蚂蚁灵波正式发布了全球首个具身原生的预训练Video-Action（VA）基座模型LingBot-VA 2.0。该模型旨在让机器人具备预判未来的能力，使其控制方式从传统的反应式操作转变为基于物理动态预测的预判式控制。在真实场景测试中，LingBot-VA 2.0成功完成了桌面整理、传送带抓取和薯片抓取等复杂任务，展现出卓越的长程记忆、时间对齐以及精细操作能力，双臂任务成功率达到93.6%，单GPU推理频率高达150Hz。

在技术实现方面，LingBot-VA 2.0进行了多项核心创新。模型引入了新一代语义视觉-动作分词器，使视觉隐变量能够同时对齐语义与动作信息，从而从无标注的网络视频中提取动作监督信号。同时，模型摒弃了传统的改造路线，从初始阶段便采用因果架构进行预训练，使其天然契合闭环控制的时间结构。此外，模型采用了稀疏混合专家架构，在扩大总参数量的同时大幅降低单次推理的激活参数量，显著提升了推理速度。模型还设计了异步推理机制，允许机器人在执行当前动作时并行预测下一步画面并准备后续动作，结合实时观测校准形成高效的闭环控制。

仿真基准测试结果表明，LingBot-VA 2.0在多项指标上全面超越了前代模型及其他基线模型，其自研分词器和多步预测辅助目标显著提升了任务成绩与训练效率。LingBot-VA 2.0的发布标志着具身基座模型从基于数字世界模型的能力嫁接，正式转向面向物理世界需求的原生设计。结合蚂蚁灵波此前发布的深度感知、视觉语言动作及视频生成等模型，机器人大脑2.0的全貌已逐渐清晰，构建了从空间感知、动作执行到预测式控制的完整技术链条，推动具身智能行业向更适应物理世界的方向发展。