蚂蚁灵波发布具身原生世界动作模型LingBot-VA 2.0

背景

蚂蚁集团旗下机器人子公司蚂蚁灵波科技长期深耕具身智能领域，已相继推出开源空间感知模型 LingBot-Depth、实时交互世界模型 LingBot-World 等核心产品。2026年1月，蚂蚁开源了两大机器人核心模型，推动具身智能生态发展。此次发布的 LingBot-VA 2.0 是在此前 LingBot-VA 系列基础上的重大迭代，定位为“业界首个具身原生世界动作模型”，强调从底层架构而非迁移或改装现有模型来适配机器人交互。

核心内容

蚂蚁灵波于2026年7月10日发布具身原生世界动作模型 LingBot-VA 2.0。该模型基于自回归架构从零开始预训练，意味着其网络结构、训练数据和目标函数均针对具身场景进行原生设计，而非采用通用大模型微调或嫁接方案。

模型核心设计围绕机器人与真实环境交互的三个根本需求展开：

• 动态建模：实时捕捉环境变化（如物体运动、光照、障碍物移动），构建可演化的动态场景表征。
• 因果预测：不仅预测下一时刻状态，更理解行为与结果之间的因果链，从而支持长程规划与决策。
• 实时执行：满足机器人控制周期要求（毫秒级响应），将动作输出与物理执行深度耦合。

LingBot-VA 2.0 被定义为“世界动作模型”（World-Action Model），区别于传统世界模型仅预测状态，该模型直接输出动作序列，实现感知-预测-执行的一体化闭环。

关键要点

• 业界首个：首次提出“具身原生”概念，模型架构从零设计面向机器人物理交互，而非从语言或视觉大模型迁移。
• 自回归预训练：采用自回归方式（类似语言模型的下一 token 预测逻辑）直接预测连续动作序列，打破传统分段式处理。
• 三大核心能力：动态建模（环境时间演化）、因果预测（行为-结果关系）、实时执行（低延迟控制），三者构成闭环。
• 完整生态传承：此前已开源 LingBot-World、LingBot-Depth 等模型，LingBot-VA 2.0 可与它们实现感知-预测-动作协同。
• 开源可能性：蚂蚁灵波过往模型均采取开源策略，此次虽未明确宣布，但话题追踪显示其延续开源路线（如7月9日开源 LingBot-World 2.0）。

意义与影响

1. 技术范式突破：LingBot-VA 2.0 从“模型适配机器人”转向“为机器人设计模型”，可能引领具身智能模型设计新方向。过去机器人依赖通用大模型（如 LLM+视觉）后接策略网络，存在延迟高、因果性弱等问题；原生世界动作模型有望在工业、服务、家庭等场景中实现更可靠的控制。

2. 加速具身智能落地：实时执行能力意味着模型可直接驱动关节电机或末端执行器，降低系统集成复杂度。结合因果预测，机器人在动态环境（如人机协作、物流拣选）中的安全性与成功率将提升。

3. 开源生态推动：蚂蚁灵波持续开源核心模型，降低中小企业和研究机构进入具身智能的门槛。LingBot-VA 2.0 若开源，将形成从感知（Depth）、到世界理解（World）、到动作执行（VA）的完整开源工具链，可能成为该领域事实标准之一。

4. 产业竞争格局变化：当前机器人动作模型多来自 Google（RT系列）、NVIDIA（Isaac）或高校实验室，蚂蚁灵波以“原生设计+自回归”差异化切入，结合蚂蚁集团的场景与资金优势，有望在商业落地（如物流、清洁机器人）中快速获取份额。