全球首个具身原生预训练模型发布，为机器人造大脑

背景

具身智能领域长期面临一个核心矛盾：机器人模型大多从数字世界（如互联网视频、仿真数据）预训练，再迁移到物理世界中微调。这种“先学数字、再学物理”的路线，导致模型在真实环境中难以适应动态变化、缺乏对物理规律的本能理解。传统的 Video-Action（VA）模型虽然试图让机器人“看到当下”并“预判未来”，但这类模型在架构设计上并未专门为机器人的交互闭环而优化——它们往往使用双向注意力机制、通用 VAE，训练目标与物理世界的因果时序脱节。蚂蚁灵波（Robbyant）此前已经发布了 LingBot-Depth 2.0（空间感知）、LingBot-VLA 2.0（动作执行）、LingBot-Video（视频生成效率）等一系列模型，逐步构建机器人大脑 2.0 的拼图。如今，LingBot-VA 2.0 的发布标志着这一拼图的关键收官：全球首个“具身原生”（Embodiment-Native）的预训练 VLM 基座模型，从架构、数据到训练目标，完全为物理世界的机器人量身定制。

核心内容

LingBot-VA 2.0 的核心创新在于抛弃了“先通用预训练、再手术式改造”的传统路线，而是从一开始就采用因果架构（causal architecture）进行从零训练，让模型只能根据过去推测未来，天然匹配机器人闭环控制中“当下无法预知未来”的物理现实。模型由四个关键技术支柱构成。

1. 语义视觉-动作分词器（Semantic Visual-Action Tokenizer）
传统的视频生成 VAE 仅仅追求像素重建的“像”，不关心语义和动作。LingBot-VA 2.0 的分词器在重建像素的同时，额外向一个冻结的视觉基础模型（如 CLIP 风格的模型）对齐语义特征，将语义信息注入 latent 空间。此外，团队单独训练了一个隐动作模块（latent action module），该模块不需要动作标签，只通过一对逆动力学模型和正向动力学模型，从连续两帧视觉 latent 中反推出中间发生的动作。这意味着即使是无标注的网络视频，也能为模型提供动作相关的监督信号。

2. 因果预训练（Causal Pretraining）
第一代 LingBot-VA 的做法是将双向注意力视频生成模型“手术式”改造为单向因果模型，再用机器人数据微调。但这种改造容易丢失预训练阶段学到的广泛先验知识。LingBot-VA 2.0 从第一天起就使用因果架构从零训练，训练目标设定为“next-latent prediction”（预测下一帧 latent）。这一目标既能利用海量网络视频进行自监督学习，又天然适配机器人的闭环控制时间结构，避免“先学双向、再改单向”带来的能力损失。

3. 稀疏 MoE（Sparse Mixture of Experts）
为了使模型在容量增大的同时保持实时推理效率，团队给负责视频预测的主干换上了稀疏 MoE 架构。总参数量约 13B，但每次推理只激活其中约 1.9B 的参数；算上动作解码和辅助训练模块后的完整模型参数量约 15.3B，推理时每个 token 实际激活参数约 2.5B。经过一致性蒸馏、低精度编译、长程注意力优化和运行时开销削减，模型的推理时间从基线 965ms/chunk 降至 142ms/chunk，异步控制频率从 33Hz 提升到 225Hz。也就是说，模型每 142ms 就能输出一个包含 32 个 action 的动作 chunk，最高异步控制频率可达 225Hz。

4. Foresight Reasoning 异步推理机制
传统串行工作模式下，模型的计算延迟直接变成机器人的动作延迟。LingBot-VA 2.0 设计了一套“预测-执行-纠偏”的闭环机制：机器人在执行当前动作片段的同时，模型并行地脑补当前动作执行完后的画面，并提前准备好下一步动作。但为了防止预测结果脱离真实物理世界（即漂移），模型会在每一次真实观测返回时，用真实画面校正脑补结果。这种机制让闭环控制的实时性大幅提升。

效果验证
在 RoboTwin 2.0 仿真基准上，LingBot-VA 2.0 在 Clean 场景、Randomized 场景和平均成绩分别达到 93.8%、93.4%、93.6%，全面超越第一代 LingBot-VA（92.9%、91.6%、92.2%）以及 π0.5、Motus 等基线模型。消融实验表明，自研分词器在 50 个任务的 Easy/Hard 平均成绩上分别为 86.6% 和 83.1%，远高于通用 WAN2.2 VAE 方案的 78.0% 和 76.0%。引入多步预测（MCP）辅助目标后，训练加速比达 2.3 倍：训练 5000 步的效果已超过无 MCP 版本 29.7 个百分点，用 20000 步即可达到无 MCP 版本 45000 步的准确率。

真实场景演示

• 整理桌面：模型具备长程记忆，能对桌面物体进行任务拆解（左臂归置垃圾、右臂复位文具），双臂并行且避免空间冲突。视频预测分支携带时序状态记忆，不会出现“断片”返工。
• 传送带抓取：物体持续移动，模型不只识别当前位置，而是预测抓取动作完成瞬间物体的所在位置，将执行时间开销提前计算，实现同步抓取。
• 抓薯片：对薄脆薯片的抓取需要细粒度视觉伺服和力度控制。模型凭借保留局部细节的语义视觉分词器，完成了精确的轻柔抓取。

关键要点

• 具身原生设计：LingBot-VA 2.0 是全球首个从第一天起就为机器人定制架构、训练目标和数据的 VA 基座模型，而非从通用视频生成模型改造而来。
• 语义视觉-动作分词器：将语义信息和隐动作信号注入视觉 latent，使无标签视频也能提供动作监督，显著提升下游任务准确率（比通用 VAE 高出 8.6-7.1 个百分点）。
• 因果预训练：采用 next-latent prediction 目标，匹配机器人闭环控制的因果时序，避免双向预训练后改造带来的知识损失。
• 稀疏 MoE + 高效推理：13B 总参量仅激活 1.9B，推理延迟从 965ms 降至 142ms，异步控制频率最高达 225Hz。
• Foresight Reasoning 异步推理：并行执行“脑补-执行-纠偏”循环，大幅提升实时闭环控制能力。
• 任务性能领先：在 RoboTwin 2.0 基准上三科平均 93.6%，全面超越前代及基线；真实场景验证了长程记忆、时间对齐、精细操作三大核心能力。
• 训练加速：多步预测（MCP）辅助目标带来 2.3 倍训练加速。

意义与影响

LingBot