60000小时训练，蚂蚁灵波开源VLA 2.0兼容20多机器人

背景

随着具身智能领域的发展，机器人本体形态日趋多样化，从双臂机器人到人形机器人、移动机械臂等层出不穷。然而，如何让同一个智能模型适配不同机器人构型、不同任务场景，成为行业的核心挑战。传统的做法是为每一种本体和任务单独训练算法，成本高、规模化难。在此背景下，蚂蚁灵波（Robbyant）于1月发布了LingBot-VLA 1.0，迈出了通用VLA（视觉-语言-动作）模型的第一步。时隔半年，团队基于更大规模的真实物理数据和更丰富的动作空间，推出了LingBot-VLA 2.0，试图进一步推动具身基座的通用化进程。

核心内容

LingBot-VLA 2.0是蚂蚁灵波最新开源的通用VLA模型，面向复杂物理世界任务。其核心升级包括预训练数据规模、动作空间扩展、空间理解能力增强以及未来预测能力。具体如下：

• 数据规模：LingBot-VLA 2.0使用了总计60,000小时的预训练数据，其中50,000小时来自机器人轨迹数据（覆盖20种机器人构型），10,000小时来自第一视角人类操作视频。相比1.0版本的20,000小时，数据量直接增长了3倍。
• 动作空间：从1.0的双臂扩展至头部、腰部、移动底盘、灵巧手等更完整的自由度，使模型能协调多自由度完成长序列任务。
• 空间理解：默认融合LingBot-Depth（深度模型），使机器人获得更强的空间感知能力，包括深度热力图、物体边界Token掩码、余弦相似度热图等。
• 推理性能：在英伟达RTX 4090上推理延迟低于130ms，满足实时控制需求。
• 未来预测：引入未来深度预测和语义特征预测。模型在生成动作时，通过两组可学习的query token分别对应当前和未来时刻，并利用LingBot-Depth（几何信息）和自研视频表征模型DINO-Video（语义/时序信息）进行蒸馏监督，使其不仅理解当前场景，还能预判物体位置、空间关系和任务状态变化。

实际效果演示

团队展示了三个真实场景任务：

1. 冰箱收纳：机器人从操作台拿起饮料、水果放进篮子，拎起篮子移动到冰箱前，打开冰箱门，将物品逐一放入，最后关门。整套长序列移动操作一气呵成。
2. 清理灶台：面对炉灶、锅架、海绵等物品，机器人先挪开障碍物，精准拿起海绵擦拭灶台，再将物品归位。考验连续决策和精细交互。
3. 调料收纳：考验双臂协同和空间关系处理能力，机器人需清楚每个物体放置位置、间距、桌面结构，依靠深度信息完成精准操作。

相关对比评测

在GM-100多任务Generalist Benchmark上，LingBot-VLA 2.0与GR00T N1.7、π0.5和LingBot-VLA 1.0进行对比。评测选取9个任务，此外还在两个长程移动操作任务上与π0.5对比：

• AgileX Cobot Magic平台：LingBot-VLA 2.0整体平均成绩为66.2（进度分）/34.4（成功率），高于GR00T N1.7的36.3/17.8、π0.5的59.1/32.2以及LingBot-VLA 1.0的58.2/30.0。
• Galaxea R1 Pro平台：LingBot-VLA 2.0整体平均34.6/15.6，进度分领先，成功率与LingBot-VLA 1.0持平，但高于GR00T N1.7和π0.5。
• 冰箱收纳任务（Astribot S1）：ID设置下77.1/60.0，π0.5为65.3/46.7；OOD设置下37.0/13.3，π0.5为30.3/6.7。
• 清理灶台任务（Cobot Magic-ARX X5）：ID设置下84.3/66.7，π0.5为79.9/60.0；OOD设置下67.5/40.0，π0.5为62.5/33.3。

这些结果验证了模型在同平台和跨平台上的通用能力，尤其在OOD（分布外）设置下，模型表现出更好的泛化性。

关键要点

• 预训练数据达到60,000小时，包含50,000小时机器人轨迹（20种构型）和10,000小时人类第一视角操作视频，数据多样性是核心优势。
• 动作空间从双臂扩展至头部、腰部、移动底盘、灵巧手等，支持多种自由度协同，提升长序列任务表现。
• 默认融合LingBot-Depth，增强空间理解能力；通过深度热力图、边界掩码等方式精准把握机器人自身与空间关系。
• 引入未来深度预测和语义特征预测，使模型具备前瞻式时序理解能力，超越纯反馈式执行。
• 推理延迟低于130ms（RTX 4090），满足实时控制需求。
• 在GM-100基准测试中，LingBot-VLA 2.0在多个任务上全面超越GR00T N1.7、π0.5和自身1.0版本，尤其在OOD设置下表现更优。
• 技术报告、项目页面、代码库、Hugging Face及ModelScope均已开源。

意义与影响

LingBot-VLA 2.0的发布标志着具身智能领域向通用大脑方向迈出了实质性一步。当前机器人硬件本体百花齐放，但每一种新本体、新任务都需要重新适配算法，成本高、周期长。LingBot-VLA 2.0通过大规模真实数据训练和统一动作空间表示，尝试抹平不同本体之间的差异，使得同一套算法能够迁移到20多种机器人构型上。这种“大脑通用化”的路径有望显著降低具身智能的落地门槛，加速机器人技术在现实世界中的应用。

从行业趋势看，未来机器人的身体将继续多样化，但通用大脑可能趋于收敛。LingBot-VLA 2.0的成功验证了数据规模和模型架构的通用性价值。同时，它引入了未来预测能力，让模型不仅理解当前状态，还能预判变化，这对于长序列任务和开放场景至关重要。整体来看，LingBot-VLA 2.0不仅是一个更强模型，更是一种范式：用数据驱动和统一表示来解决具身智能的碎片化问题。蚂蚁灵波在一天前发布了LingBot-Depth 2.0，紧随其后推出LingBot-VLA 2.0，后续可能还有更多动作，值得持续关注。