蚂蚁灵波发布行业首个具身原生世界动作模型LingBot-VA 2.0

背景

具身智能与「世界模型」的融合是当前机器人领域最受关注的命题之一。传统方案多借用面向数字内容创作的视频生成模型，通过微调来适配机器人控制任务——这种方式虽可快速落地，但内容创作与机器人控制的目标本质迥异：前者追求画质与创意，后者追求执行效率与因果预测的合理性。强行微调会导致知识遗忘、泛化性下降等副作用。行业亟需一种从物理世界原始需求出发、原生设计的机器人基础模型。

核心内容

2025年7月10日，蚂蚁灵波发布业界首个具身原生世界动作模型 LingBot-VA 2.0。该模型标志着机器人基础模型从「基于数字世界模型构建」向「面向物理世界原生设计」的关键转变。核心思路是不再依赖数字世界模型能力的「嫁接」，而是从动态建模、因果预测、实时执行等与环境交互的原始需求出发进行原生设计。

LingBot-VA 2.0 采用自回归架构从头开始预训练，通过四大核心设计构建原生基模：

1. 语义视觉-动作分词器（Tokenizer）：作为全新视觉编码器，在视觉压缩过程中对齐语义与动作信息，使模型更易将「理解指令」转化为「完成动作」，提升指令跟随与动作精度。
2. 严格因果预训练范式：从训练一开始就使用自回归架构，确保视觉预测和动作生成完全遵循单向时间顺序。
3. MoE 架构：在不牺牲推理效率的前提下有效扩大模型容量，兼顾性能与效率。
4. 增强异步推理机制：实现实时闭环控制，机器人在执行动作的同时预测未来状态，并利用最新真实观测不断校正下一步决策。

基于这些设计，LingBot-VA 2.0 在真机测试中展现出出色的执行速度和泛化能力。例如在不依赖任何外部拍摄设备的情况下，机器人即可完成与人类的多轮随机对打。在行业普遍面临的具身世界模型执行效率问题上，该模型给出了单卡 150Hz 实时推理效率的答卷。

关键要点

• 原生设计路线：LingBot-VA 2.0 直面「数字世界模型适配物理世界」的缺陷，选择从零预训练的自回归架构，而非微调已有视频生成模型。
• 四种核心机制：语义视觉-动作分词器、严格因果预训练、MoE 架构、增强异步推理，共同构成模型的高效执行与泛化能力。
• 真机验证：在完整对打场景中，机器人不需外部拍摄设备即可完成多轮随机交互，验证了模型的实时因果预测与闭环控制能力。
• 单卡150Hz：在具身世界模型常见的执行效率瓶颈上，实现了单张 GPU 150Hz 的实时推理性能。
• 完整模型矩阵：蚂蚁灵波本周连续发布/开源多款模型，包括空间感知模型（LingBot-Vision、LingBot-Depth 2.0）、一脑多机动作模型（LingBot-VLA 2.0）、实时交互模型（LingBot-World 2.0）、视频生成基模（LingBot-Video）。LingBot-VA 2.0 作为集大成者收官，开启具身原生新阶段。
• 生态构建：CEO 朱兴表示，蚂蚁灵波将持续探索具身智能上限，同时加速构建开放的技术与场景生态，推动机器人走向产业场景。

意义与影响

LingBot-VA 2.0 的发布在技术路线上具有分水岭意义：行业首次有了一个从物理世界原生设计、而非数字世界「嫁接」的机器人基础模型。它证明了自回归架构+因果预训练+MoE 的组合可以实现高效实时控制，打破了「视频生成模型微调即可」的惯性思维。对于具身智能领域，这一成果将推动更多团队重新审视模型设计原点，从「模仿数字内容」转向「服务物理交互」。蚂蚁灵波同步开源多款子模型，降低了从业者接入新范式的门槛。在产业层面，单卡 150Hz 的推理效率为机器人走进工厂、家庭等实时场景奠定了关键基础。2026 世界人工智能大会（WAIC）上，蚂蚁灵波将全面展示全栈大脑 2.0 的落地能力，值得行业持续关注。