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

近年来，世界模型与具身智能的融合成为行业焦点。机器人需要在连续变化的真实世界中实时决策，不仅要感知当前状态，还要预测动作引发的结果并动态调整。当前行业主流路线大多依托面向数字内容创作的视频生成模型，通过微调适配机器人控制任务。然而，内容创作与机器人控制本质不同：前者追求画质和创意，后者更强调执行效率和因果预测的合理性。强行用数字世界模型“嫁接”到物理世界，会导致知识遗忘、泛化性下降等副作用。在此背景下，蚂蚁灵波选择从物理世界的原始需求出发，从头设计一款面向真实环境交互的原生动作模型。

核心内容

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”转向“面向物理世界原生设计”的关键转变。LingBot-VA 2.0 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，进行原生架构设计。

其核心架构基于自回归架构从头预训练，包含四大设计：

1. 语义视觉-动作分词器（Tokenizer） 作为全新的视觉编码器，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. 严格的因果预训练范式，模型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严格遵循单向时间顺序。
3. MoE 架构，在不牺牲推理效率的前提下有效扩大模型容量，平衡性能与效率。
4. 增强的异步推理机制，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。

凭借这些设计，LingBot-VA 2.0 在真机测试中表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。针对行业普遍面临的具身世界模型执行效率低的问题，该模型实现了单卡 150Hz 实时推理效率。

此外，本周蚂蚁灵波连续发布和开源了多款面向具身原生细分方向的模型：空间感知的 LingBot-Vision 和 LingBot-Depth 2.0、面向“一脑多机”的动作模型 LingBot-VLA 2.0、面向实时交互的 LingBot-World 2.0、以及面向更高推理效率的视频生成基模 LingBot-Video。LingBot-VA 2.0 作为集大成者，扮演了收官之作的角色，正式开启具身原生新阶段。

蚂蚁灵波 CEO 朱兴表示，一方面将持续探索具身智能新上限，另一方面将加速构建开放的技术生态和场景生态，助力机器人加速走向产业场景。据悉，蚂蚁灵波将于 7 月 17 日至 20 日在 2026 世界人工智能大会（WAIC）期间全面展示全栈大脑 2.0 落地场景，观众可前往上海世博展览馆（H3-B302、H1-C701）现场体验。

关键要点

• 原生设计路线：LingBot-VA 2.0 不依赖数字世界视频生成模型的微调，而是从物理世界的控制执行需求出发，进行自回归架构的从头预训练。
• 四大核心设计：
  • 语义视觉-动作分词器：对齐视觉与动作语义，提升指令跟随与动作精度。
  • 因果预训练范式：确保时间顺序上的因果一致性。
  • MoE 架构：扩大模型容量同时保持推理效率。
  • 增强异步推理：实现预测与实时闭环校正。
• 性能表现：单卡 150Hz 实时推理效率，真机测试实现与人类的多轮随机对打。
• 系列模型发布：同期发布空间感知、一脑多机、实时交互、视频生成等方向的多个模型，形成具身原生模型矩阵。
• 产业进展：蚂蚁灵波加速构建开放技术生态和场景生态，计划在 2026 WAIC 展示全栈落地能力。

意义与影响

LingBot-VA 2.0 的发布是具身智能领域的一次关键路线选择：机器人“大脑”不再嫁接于数字世界模型，而是为物理世界原生设计。这直接回应了当前行业在“世界模型+具身智能”融合中遇到的泛化性低、执行效率差、知识遗忘等核心痛点。通过自回归架构与因果预训练，模型在因果预测和实时执行上具备了先天优势，为机器人走向更复杂的动态交互场景（如家庭服务、工业协作）提供了底层技术支撑。同时，蚂蚁灵波通过开源和多模型矩阵布局，试图构建一个开放的技术生态，降低产业落地门槛。如果该路线被验证有效，可能推动整个行业从“视频生成微调”范式转向“物理原生预训练”范式，加速具身智能从实验室走向产业应用。