60000小时炼出新开源VLA！20多种机器人都能用

44 0 0

文章摘要

蚂蚁灵波近期正式开源了面向复杂物理世界任务的通用视觉语言动作模型LingBot-VLA 2.0。该模型使用了高达60000小时的真实物理预训练数据，其中包括50000小时覆盖20种机器人构型的轨迹数据以及10000小时的第一视角人类操作视频。相较于前代产品，其数据规模实现了三倍的增长，为模型学习通用操作规律奠定了坚实基础。

在技术架构与能力升级方面，LingBot-VLA 2.0实现了多维度的突破。模型不仅支持20多种机器人构型，还将动作空间从双臂进一步扩展至头部、腰部、移动底盘和灵巧手等更完整的自由度。同时，通过默认融合LingBot-Depth深度模型，机器人获得了更精准的空间理解与物体关系处理能力。此外，该模型引入了未来深度预测和语义特征预测机制，使其在生成动作时能够同时理解当前状态并预判未来变化，从而有效应对长序列任务中的复杂挑战。

在性能评测方面，LingBot-VLA 2.0在GM-100多任务通用基准测试中取得了领先的测试成绩。在多个双臂操作平台和长程移动操作任务的对比中，其整体平均成绩和成功率均高于其他同类模型，并在分布外设置下表现出更强的泛化能力。

从行业发展的宏观视角来看，LingBot-VLA 2.0的发布凸显了具身智能领域通用大脑的重要性。面对日益多样化的机器人硬件本体和复杂的应用场景，该模型致力于通过大规模真实数据、统一动作表示以及前瞻式时序理解能力，抹平不同本体间的差异，降低算法适配成本。这种研发思路顺应了机器人身体形态多样化而通用大脑逐渐收敛的行业趋势，为具身智能技术在现实世界中的规模化应用提供了底层支撑。